| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 引言 | 第8-9页 |
| 第1章 ：绪论 | 第9-18页 |
| 1.0 研究背景 | 第9页 |
| 1.1 社交网络简介 | 第9-12页 |
| 1.1.1 简介 | 第9-10页 |
| 1.1.2 社交网络发展史 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 个性化推荐方法研究现状 | 第12-13页 |
| 1.2.2 协同过滤个性化推荐方法研究 | 第13-14页 |
| 1.3 研究内容及意义 | 第14-15页 |
| 1.4 本文的主要工作 | 第15-16页 |
| 1.5 本文的组织结构 | 第16-18页 |
| 第2章 ：基于遗传模糊用户聚类兴趣圈子划分 | 第18-27页 |
| 2.1 用户兴趣因素选取方法研究 | 第18-19页 |
| 2.2. 用户聚类 | 第19-25页 |
| 2.2.1 基于硬聚类的用户兴趣圈子划分方法 | 第19-20页 |
| 2.2.2 模糊聚类 | 第20-25页 |
| 2.2.2.1 FCM 算法 | 第21-23页 |
| 2.2.2.2 遗传模糊聚类 | 第23-25页 |
| 2.3 本章小结 | 第25-27页 |
| 第3章 ：基于双边兴趣的协同过滤好友推荐方法研究 | 第27-41页 |
| 3.1 协同过滤算法简介 | 第27-29页 |
| 3.1.1 相似性计算 | 第27-29页 |
| 3.1.2 用户项目矩阵稀疏性及其解决办法 | 第29页 |
| 3.2 改进协同过滤算法 | 第29-36页 |
| 3.2.1 用户评分矩阵建立 | 第30页 |
| 3.2.2 改进相似度计算公式 | 第30-33页 |
| 3.2.2.1 SW（相似度可信值加权）策略 | 第32-33页 |
| 3.2.2.2 GW（相似度可信值高斯加权）策略 | 第33页 |
| 3.2.3 用户兴趣随时间变化 | 第33-34页 |
| 3.2.4 双向兴趣矩阵 | 第34-36页 |
| 3.3 推荐策略 | 第36-38页 |
| 3.3.1 传统协同过滤算法推荐步骤 | 第36页 |
| 3.3.2 基于用户兴趣圈子划分的双边兴趣协同过滤推荐策略 | 第36-38页 |
| 3.4 实验评估 | 第38-40页 |
| 3.4.1 评价指标 | 第38-39页 |
| 3.4.2 实验结果与分析 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 ：基于信任网络的新用户推荐方法 | 第41-50页 |
| 4.1 冷启动问题解决现状 | 第41-44页 |
| 4.1.1 不考虑内容的解决方法 | 第41-43页 |
| 4.1.2 结合内容信息的解决办法 | 第43-44页 |
| 4.2 基于兴趣圈子专家推荐的冷启动解决方法(GExpR) | 第44-46页 |
| 4.2.1 新用户所属兴趣圈子划分 | 第44-45页 |
| 4.2.2 兴趣圈子内专家判定 | 第45-46页 |
| 4.3 新用户好友推荐 | 第46页 |
| 4.4 实验结果与分析 | 第46-49页 |
| 4.4.1 算法评价标准 | 第47-48页 |
| 4.4.2 算法结果及分析 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 ：总结与展望 | 第50-52页 |
| 5.1 论文总结 | 第50-51页 |
| 5.2 展望 | 第51-52页 |
| 参考文献 | 第52-58页 |
| 在学研究成果 | 第58-59页 |
| 致谢 | 第59页 |