面向社会网络的表示学习方法与推荐技术研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 引言 | 第10-11页 |
| 1.2 研究背景 | 第11-12页 |
| 1.2.1 社会网络的发展 | 第11-12页 |
| 1.2.2 社会化推荐系统 | 第12页 |
| 1.3 研究内容 | 第12-13页 |
| 1.3.1 符号网络链接预测 | 第12-13页 |
| 1.3.2 信任网络用户评分预测 | 第13页 |
| 1.4 本文组织结构 | 第13-14页 |
| 第2章 相关工作概述 | 第14-26页 |
| 2.1 引言 | 第14页 |
| 2.2 网络链接建模 | 第14-20页 |
| 2.2.1 网络表示学习方法 | 第14-17页 |
| 2.2.2 符号网络链接预测 | 第17-20页 |
| 2.3 网络链接应用 | 第20-24页 |
| 2.3.1 传统的推荐算法 | 第20-24页 |
| 2.3.2 基于社交信任的推荐算法 | 第24页 |
| 2.4 本章小结 | 第24-26页 |
| 第3章 符号网络链接预测 | 第26-38页 |
| 3.1 引言 | 第26-27页 |
| 3.2 相关概念与数据分析 | 第27-29页 |
| 3.2.1 问题定义 | 第27-28页 |
| 3.2.2 数据分析 | 第28-29页 |
| 3.3 符号网络一阶距离表示学习算法 | 第29-30页 |
| 3.4 符号网络二阶距离表示学习算法 | 第30-32页 |
| 3.5 模型求解 | 第32页 |
| 3.6 实验与结论 | 第32-37页 |
| 3.6.1 实验设置 | 第32-33页 |
| 3.6.2 实验结果与分析 | 第33-37页 |
| 3.7 本章小结 | 第37-38页 |
| 第4章 信任网络用户评分预测 | 第38-58页 |
| 4.1 引言 | 第38-39页 |
| 4.2 问题定义与符号说明 | 第39页 |
| 4.3 基于用户信任关系的概率矩阵分解模型 | 第39-44页 |
| 4.3.1 TPMF模型介绍 | 第41-43页 |
| 4.3.2 TPMF模型求解 | 第43-44页 |
| 4.3.3 TPMF模型时间复杂度分析 | 第44页 |
| 4.4 个性化权值算法 | 第44-48页 |
| 4.4.1 用户信任特征 | 第44-46页 |
| 4.4.2 用户聚类 | 第46页 |
| 4.4.3 用户个性化权重 | 第46页 |
| 4.4.4 完整推荐框架 | 第46-48页 |
| 4.5 实验与结论 | 第48-56页 |
| 4.5.1 实验设置 | 第48-49页 |
| 4.5.2 实验结果 | 第49-51页 |
| 4.5.3 参数α和λ_T敏感性分析 | 第51页 |
| 4.5.4 不同比例训练集下的推荐性能 | 第51-54页 |
| 4.5.5 个性化权重影响 | 第54-56页 |
| 4.6 本章小结 | 第56-58页 |
| 第5章 工作总结与未来展望 | 第58-62页 |
| 5.1 研究内容总结 | 第58-59页 |
| 5.2 未来工作展望 | 第59-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68-70页 |
| 在读期间发表的学术论文与取得的研究成果 | 第70页 |
