| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第10-17页 |
| 1.1 研究背景 | 第10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 基于内容的推荐算法 | 第11页 |
| 1.2.2 基于协同过滤的推荐算法 | 第11-12页 |
| 1.2.3 基于用户特征的推荐算法 | 第12页 |
| 1.2.4 混合的推荐算法 | 第12-13页 |
| 1.2.5 研究现状综述 | 第13-14页 |
| 1.3 研究内容、组织结构及创新点 | 第14-16页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 组织结构 | 第15页 |
| 1.3.3 创新点 | 第15-16页 |
| 1.4 本章小结 | 第16-17页 |
| 2 相关理论与方法综述 | 第17-22页 |
| 2.1 两化融合水平评价 | 第17-18页 |
| 2.2 用户网络学习行为 | 第18-19页 |
| 2.3 混合的协同过滤推荐算法 | 第19-20页 |
| 2.4 本章小结 | 第20-22页 |
| 3 基于工业企业两化融合水平评价的相似度模型 | 第22-33页 |
| 3.1 工业企业两化融合水平评价指标体系构建原则 | 第22页 |
| 3.2 工业企业两化融合水平评价指标体系总体框架 | 第22-24页 |
| 3.3 工业企业两化融合水平评价指标体系 | 第24-29页 |
| 3.4 基于工业企业两化融合水平评价的相似度模型 | 第29-31页 |
| 3.4.1 现有相似度评价标准 | 第29-31页 |
| 3.4.2 基于工业企业两化融合水平评价的相似度模型的提出 | 第31页 |
| 3.5 本章小结 | 第31-33页 |
| 4 基于用户网络学习行为的相似度模型 | 第33-38页 |
| 4.1 用户偏好的获取 | 第33页 |
| 4.2 用户网络学习行为分析 | 第33-34页 |
| 4.3 基于用户网络学习行为的相似度模型的提出 | 第34-37页 |
| 4.3.1 用户网络学习行为模型的构建 | 第35-36页 |
| 4.3.2 引入负标注权重因子 | 第36-37页 |
| 4.3.3 引入过度拟合惩罚函数 | 第37页 |
| 4.4 本章小结 | 第37-38页 |
| 5 基于工业企业两化水平评价与用户网络学习行为的推荐算法 | 第38-43页 |
| 5.1 问题定义 | 第38-39页 |
| 5.2 邻居选择 | 第39页 |
| 5.3 产生推荐 | 第39-42页 |
| 5.4 本章小结 | 第42-43页 |
| 6 实验仿真与结果分析 | 第43-47页 |
| 6.1 数据集和评价标准 | 第43-44页 |
| 6.1.1 实验数据集 | 第43页 |
| 6.1.2 评价标准 | 第43-44页 |
| 6.2 实验方案设计 | 第44页 |
| 6.3 实验结果分析 | 第44-46页 |
| 6.3.1 参数λ,θ对基于用户网络学习行为的相似度模型的影响 | 第44-45页 |
| 6.3.2 两种邻居选择算法对推荐效果的影响 | 第45-46页 |
| 6.3.3 三种推荐算法的推荐效果比较 | 第46页 |
| 6.4 本章小结 | 第46-47页 |
| 7 结论与展望 | 第47-49页 |
| 7.1 论文主要研究内容总结 | 第47页 |
| 7.2 未来研究工作展望 | 第47-49页 |
| 参考文献 | 第49-53页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第53-55页 |
| 学位论文数据集 | 第55页 |
