| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文研究内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 第二章 相关基础理论介绍 | 第15-29页 |
| 2.1 个性化推荐系统 | 第15-18页 |
| 2.1.1 推荐系统的概念 | 第15页 |
| 2.1.2 推荐系统的应用 | 第15-18页 |
| 2.2 主流推荐算法介绍 | 第18-24页 |
| 2.2.1 基于协同过滤的推荐 | 第18-23页 |
| 2.2.2 基于内容的推荐 | 第23-24页 |
| 2.2.3 混合推荐 | 第24页 |
| 2.3 微博好友推荐算法介绍 | 第24-26页 |
| 2.3.1 基于用户信息的好友推荐 | 第24-25页 |
| 2.3.2 基于用户兴趣的好友推荐 | 第25页 |
| 2.3.3 基于社交网络图的好友推荐 | 第25-26页 |
| 2.3.4 混合好友推荐 | 第26页 |
| 2.4 推荐算法评价 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于用户信任和关系的好友推荐算法研究 | 第29-40页 |
| 3.1 用户相似度 | 第29-30页 |
| 3.2 用户信任度 | 第30-32页 |
| 3.2.1 关系信任度量 | 第30-31页 |
| 3.2.2 行为信任度量 | 第31-32页 |
| 3.3 RTLR微博好友推荐算法 | 第32-34页 |
| 3.3.1 基于逻辑回归的推荐预测 | 第32-33页 |
| 3.3.2 算法基本步骤 | 第33-34页 |
| 3.4 实验与结果分析 | 第34-38页 |
| 3.4.1 实验环境及数据 | 第34-36页 |
| 3.4.2 参数确定 | 第36-37页 |
| 3.4.3 实验对比及分析 | 第37-38页 |
| 3.5 本章小结 | 第38-40页 |
| 第四章 基于SVD++模型和影响力的微博好友推荐算法研究 | 第40-52页 |
| 4.1 相关介绍 | 第40-41页 |
| 4.1.1 矩阵分解模型 | 第40-41页 |
| 4.1.2 用户影响力 | 第41页 |
| 4.2 基于SVD++的评分预测模型 | 第41-44页 |
| 4.2.1 评分矩阵 | 第41-42页 |
| 4.2.2 基于SVD++的矩阵降维 | 第42-43页 |
| 4.2.3 用户相似性度量和评分预测 | 第43-44页 |
| 4.3 用户影响力度量 | 第44-45页 |
| 4.4 BISVD++微博好友推荐算法 | 第45-46页 |
| 4.4.1 算法基本思想 | 第45-46页 |
| 4.4.2 算法基本步骤 | 第46页 |
| 4.5 实验与结果分析 | 第46-51页 |
| 4.5.1 实验环境和数据 | 第46-48页 |
| 4.5.2 参数确定 | 第48页 |
| 4.5.3 实验对比及分析 | 第48-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 研究总结 | 第52-53页 |
| 5.2 未来展望 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57-58页 |
| 攻读学位期间的研究成果 | 第58-59页 |