| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景与问题 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 推荐算法研究现状 | 第9-10页 |
| 1.2.2 好友推荐算法研究现状 | 第10-11页 |
| 1.3 研究目标与意义 | 第11-12页 |
| 1.3.1 研究意义 | 第11页 |
| 1.3.2 研究目标 | 第11-12页 |
| 1.4 研究内容与论文结构 | 第12-14页 |
| 1.4.1 研究内容 | 第12页 |
| 1.4.2 论文结构 | 第12-14页 |
| 第二章 理论与技术基础 | 第14-22页 |
| 2.1 社交网络 | 第14-15页 |
| 2.1.1 社交网络简介 | 第14页 |
| 2.1.2 社交网络的理论基础 | 第14-15页 |
| 2.1.3 社交网络的表示 | 第15页 |
| 2.2 主题模型 | 第15-18页 |
| 2.2.1 LDA主题模型概述 | 第15-17页 |
| 2.2.2 参数估计推导 | 第17-18页 |
| 2.3 社区发现算法 | 第18-20页 |
| 2.3.1 非重叠社区发现 | 第19页 |
| 2.3.2 重叠社区发现算法 | 第19-20页 |
| 2.4 PageRank算法 | 第20-21页 |
| 2.4.1 PageRank模型 | 第20-21页 |
| 2.4.2 陷阱问题 | 第21页 |
| 本章小结 | 第21-22页 |
| 第三章 基于用户关系强度的好友推荐算法的概述 | 第22-26页 |
| 3.1 基于用户关系强度的好友推荐算法的流程 | 第22-24页 |
| 3.2 基于用户关系强度的好友推荐算法主要技术说明 | 第24-25页 |
| 3.2.1 引入LDA模型的原因 | 第24页 |
| 3.2.2 采用“边聚类”的社区发现算法的原因 | 第24页 |
| 3.2.3 考虑“用户链接信息”的原因 | 第24-25页 |
| 本章小结 | 第25-26页 |
| 第四章 基于用户关系强度的好友推荐算法的实现 | 第26-41页 |
| 4.1 第一阶段：基于兴趣主题相似度的社区发现算法 | 第26-32页 |
| 4.1.1 第一阶段算法流程描述 | 第26页 |
| 4.1.2 基于LDA模型的兴趣主题挖掘 | 第26-30页 |
| 4.1.3 基于“边聚类”的社区发现算法 | 第30-32页 |
| 4.2 第二阶段：基于链接信息的好友推荐算法 | 第32-39页 |
| 4.2.1 第二阶段算法流程描述 | 第32-33页 |
| 4.2.2 信任度模型的构建与实现 | 第33-37页 |
| 4.2.3 局部随机游走模型的构建与实现 | 第37-39页 |
| 4.2.4 基于链接信息的综合相似度计算 | 第39页 |
| 本章小结 | 第39-41页 |
| 第五章 实验结果与分析 | 第41-53页 |
| 5.1 数据预处理 | 第41-43页 |
| 5.1.1 数据来源 | 第41页 |
| 5.1.2 数据获取过程 | 第41-42页 |
| 5.1.3 数据清洗 | 第42-43页 |
| 5.1.4 数据集确定 | 第43页 |
| 5.1.5 文本处理 | 第43页 |
| 5.2 实验参数的调整与确定 | 第43-45页 |
| 5.2.1 LDA模型“主题数”参数确定 | 第43-44页 |
| 5.2.2 社区发现算法“社区数”参数确定 | 第44-45页 |
| 5.3 基于用户关系强度的推荐算法的实验 | 第45-52页 |
| 5.3.1 实验内容简介 | 第45-46页 |
| 5.3.2 推荐算法程序演示界面及结果获取过程 | 第46-48页 |
| 5.3.3 评价标准 | 第48-49页 |
| 5.3.4 平衡因子α,β确定 | 第49-50页 |
| 5.3.5 实验结果 | 第50-52页 |
| 5.3.6 实验结果分析 | 第52页 |
| 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6.1 研究重点和创新点 | 第53-54页 |
| 6.1.1 研究创新点 | 第53页 |
| 6.1.2 研究重点 | 第53-54页 |
| 6.2 结论 | 第54页 |
| 6.3 研究不足与展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58页 |