| 摘要 | 第1-6页 |
| 英文摘要 | 第6-14页 |
| 第1章 绪论 | 第14-26页 |
| ·研究背景 | 第14-15页 |
| ·个性化、个人化与自适应超媒体 | 第15-16页 |
| ·个性化服务系统研究现状 | 第16-19页 |
| ·基于规则的个性化服务系统 | 第16页 |
| ·基于内容推荐的个性化服务系统 | 第16-17页 |
| ·基于协同推荐的个性化服务系统 | 第17-18页 |
| ·混合推荐 | 第18-19页 |
| ·典型个性化服务系统介绍 | 第19-22页 |
| ·基于内容的推荐系统－WebMate | 第19-20页 |
| ·基于协同的推荐系统－Ringo[Shardanand 1995] | 第20-21页 |
| ·混合推荐系统－Fab | 第21-22页 |
| ·个性化研究的意义 | 第22-24页 |
| ·个性化推荐 | 第22页 |
| ·个性化信息检索 | 第22页 |
| ·个性化数字图书馆 | 第22-23页 |
| ·E－learning | 第23页 |
| ·电子商务与客户关系管理 | 第23-24页 |
| ·本文研究的目标和内容 | 第24-25页 |
| ·本文组织结构 | 第25-26页 |
| 第2章 个性化服务中用户建模相关研究 | 第26-46页 |
| ·个性化服务系统中资源描述 | 第26-27页 |
| ·基于内容的方法 | 第26-27页 |
| ·基于分类的方法 | 第27页 |
| ·基于概念分类体系的表示 | 第27页 |
| ·用户兴趣描述方式 | 第27-29页 |
| ·基于评分的表示（Rating based） | 第28页 |
| ·基于内容的表示 | 第28-29页 |
| ·基于知识的用户profile表示 | 第29页 |
| ·用户信息及其收集方式 | 第29-31页 |
| ·用户信息类型 | 第29-30页 |
| ·用户信息收集方式 | 第30-31页 |
| ·信息搜集的位置 | 第31页 |
| ·用户模型学习与资源推荐技术 | 第31-37页 |
| ·访问时间和频度 | 第31-32页 |
| ·时间衰减函数 | 第32页 |
| ·基于内容的过滤 | 第32-34页 |
| ·关联规则挖掘 | 第34页 |
| ·聚类技术 | 第34-35页 |
| ·KNN(K最近邻居)算法 | 第35页 |
| ·朴素贝叶斯算法 | 第35-36页 |
| ·神经网络 | 第36页 |
| ·其它机器学习方法 | 第36-37页 |
| ·协同过滤算法 | 第37-41页 |
| ·评分矩阵及其获取 | 第37-38页 |
| ·协同过滤算法 | 第38-41页 |
| ·相关文献中原型系统的技术实现 | 第41-42页 |
| ·个性化效果的测试与评价 | 第42-46页 |
| ·评测标准 | 第42-45页 |
| ·评测数据 | 第45-46页 |
| 第3章 基于本体－XML的个性化服务系统模型 | 第46-58页 |
| ·引言 | 第46-49页 |
| ·XML简介 | 第46-47页 |
| ·本体 | 第47-48页 |
| ·语义网 | 第48页 |
| ·XML、本体在个性化服务系统中的应用 | 第48-49页 |
| ·基于ONTOLOGY和XML的个性化服务模型 | 第49-51页 |
| ·领域知识描述框架 | 第51-52页 |
| ·类 | 第51页 |
| ·属性 | 第51-52页 |
| ·关系 | 第52页 |
| ·个体 | 第52页 |
| ·领域知识的XML表示 | 第52-54页 |
| ·资源库的建立 | 第54页 |
| ·例子－电影领域本体 | 第54-55页 |
| ·用户模型 | 第55-56页 |
| ·系统的功能模块 | 第56页 |
| ·总结与讨论 | 第56-58页 |
| ·本体和资源库的建立方式 | 第56页 |
| ·基于本体信息导引查询生成 | 第56-57页 |
| ·本体引导的用户模型生成 | 第57-58页 |
| 第4章 基于本体－XML的用户兴趣描述及资源推荐技术 | 第58-72页 |
| ·引言 | 第58页 |
| ·用户兴趣定义与描述 | 第58-60页 |
| ·XML资源的数据表示 | 第60-61页 |
| ·用户对资源的兴趣度计算 | 第61-64页 |
| ·用户兴趣模型获取 | 第64-66页 |
| ·反馈机制 | 第64页 |
| ·学习机制 | 第64-66页 |
| ·资源推荐 | 第66页 |
| ·学习举例 | 第66-67页 |
| ·实验分析 | 第67-70页 |
| ·实验数据说明 | 第67-68页 |
| ·实验方法 | 第68-69页 |
| ·实验结果与分析 | 第69-70页 |
| ·总结 | 第70-72页 |
| 第5章 基于半结构化规则的用户兴趣描述与推荐技术 | 第72-92页 |
| ·引言 | 第72页 |
| ·问题描述 | 第72-74页 |
| ·个性化与分类 | 第72页 |
| ·知识约简与粗集（Rough Sets）理论[史忠植2002] | 第72-73页 |
| ·XML约简思想 | 第73-74页 |
| ·XML约简问题的形式化定义 | 第74-77页 |
| ·树及其相关概念 | 第74-75页 |
| ·XML数据模型 | 第75页 |
| ·XML约简操作与结果表示 | 第75-77页 |
| ·半结构化分类规则 | 第77页 |
| ·半结构规则挖掘算法 | 第77-86页 |
| ·无序树及其范式 | 第78-79页 |
| ·无序树范式性质 | 第79-81页 |
| ·无序树扩展 | 第81-83页 |
| ·树映射和匹配计数 | 第83页 |
| ·规则挖掘算法实现 | 第83-86页 |
| ·利用规则进行分类 | 第86-87页 |
| ·规则与样本的匹配 | 第86-87页 |
| ·类别预测 | 第87页 |
| ·数据实验 | 第87-89页 |
| ·数据说明 | 第87-88页 |
| ·实验结果 | 第88-89页 |
| ·讨论与问题展望 | 第89-92页 |
| 第6章 基于语义计算改进的协同推荐技术 | 第92-110页 |
| ·引言 | 第92页 |
| ·协同过滤算法问题分析 | 第92-93页 |
| ·基于领域分类知识的协同过滤算法 | 第93-98页 |
| ·背景介绍 | 第93-94页 |
| ·算法流程 | 第94-96页 |
| ·实验分析 | 第96-98页 |
| ·基于项语义计算改进的协同过滤算法 | 第98-104页 |
| ·背景介绍 | 第98-99页 |
| ·XML数据相似性计算 | 第99-103页 |
| ·基于项语义计算改进的协同过滤算法 | 第103页 |
| ·实验分析 | 第103-104页 |
| ·基于用户兴趣模型的协同推荐算法 | 第104-108页 |
| ·背景介绍 | 第104-105页 |
| ·算法流程 | 第105-106页 |
| ·实验分析 | 第106-108页 |
| ·总结 | 第108-110页 |
| 第7章 个性化服务系统FINDPAPER的实现 | 第110-118页 |
| ·简介 | 第110页 |
| ·体系结构 | 第110-111页 |
| ·领域模型与资源描述 | 第111-112页 |
| ·用户信息搜集 | 第112-115页 |
| ·用户背景信息收集 | 第112-114页 |
| ·用户访问行为 | 第114-115页 |
| ·用户模型 | 第115页 |
| ·个性化推荐 | 第115-117页 |
| ·基于用户兴趣模型的推荐 | 第115-116页 |
| ·根据规则的推荐 | 第116-117页 |
| ·协同推荐 | 第117页 |
| ·多种推荐结果的融合 | 第117页 |
| ·小结 | 第117-118页 |
| 第8章 总结与展望 | 第118-122页 |
| ·本文的贡献 | 第118-119页 |
| ·基于本体－XML的个性化服务系统模型 | 第118页 |
| ·基于本体－XML的用户兴趣模型 | 第118页 |
| ·基于半结构化规则的用户需求描述 | 第118页 |
| ·基于项目和用户兴趣模型语义计算改近的协同过滤算法 | 第118-119页 |
| ·进一步的研究方向 | 第119-122页 |
| ·用户兴趣的漂移问题 | 第119页 |
| ·本体的自动学习与资源标注 | 第119页 |
| ·基于语义Web的个性化技术研究 | 第119页 |
| ·半结构化数据的分类、聚类问题 | 第119-122页 |
| 附录 | 第122-128页 |
| 参考文献 | 第128-140页 |
| 致谢 | 第140-141页 |
| 作者简介 | 第141页 |
