| 中文摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-20页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外相关研究现状 | 第11-18页 |
| 1.2.1 云制造与其他制造模式对比 | 第11-13页 |
| 1.2.2 云制造相关技术研究及应用的国内外现状 | 第13-15页 |
| 1.2.3 信息推送技术的概念及研究现状 | 第15-18页 |
| 1.3 研究现状总结及不足之处 | 第18页 |
| 1.4 研究内容及全文结构 | 第18-20页 |
| 第二章 相关理论基础 | 第20-31页 |
| 2.1 社交制造概述 | 第20-23页 |
| 2.1.1 社交制造简介 | 第20-21页 |
| 2.1.2 社交制造特征 | 第21-22页 |
| 2.1.3 社交制造价值 | 第22页 |
| 2.1.4 社交制造与云制造的关系 | 第22-23页 |
| 2.2 机器学习的分类 | 第23-27页 |
| 2.2.1 监督学习 | 第23-24页 |
| 2.2.2 非监督学习 | 第24-25页 |
| 2.2.3 增强学习 | 第25-27页 |
| 2.3 推荐系统概述 | 第27-30页 |
| 2.3.1 推荐系统简介 | 第27页 |
| 2.3.2 推荐系统定义 | 第27页 |
| 2.3.3 推荐系统分类 | 第27-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 数据获取与预处理 | 第31-41页 |
| 3.1 数据获取 | 第31-35页 |
| 3.1.1 网页爬虫 | 第32页 |
| 3.1.2 获取社交数据 | 第32-35页 |
| 3.2 数据预处理 | 第35-40页 |
| 3.2.1 处理兴趣主题库信息 | 第35-39页 |
| 3.2.2 处理用户文本信息 | 第39-40页 |
| 3.3 本章小结 | 第40-41页 |
| 第四章 基于机器学习的服务主动推送技术研究 | 第41-54页 |
| 4.1 推送系统的外围架构 | 第41-42页 |
| 4.2 推送系统总体框架设计 | 第42-52页 |
| 4.2.1 用户聚类方法 | 第43-45页 |
| 4.2.2 Markov链模型 | 第45-48页 |
| 4.2.3 Markov链条聚类 | 第48-49页 |
| 4.2.4 多Markov链模型聚类方法 | 第49-50页 |
| 4.2.5 服务主动推送算法设计 | 第50-52页 |
| 4.3 本章小结 | 第52-54页 |
| 第五章 实验分析 | 第54-64页 |
| 5.1 实验环境与数据 | 第54-56页 |
| 5.1.1 实验平台 | 第54页 |
| 5.1.2 实验数据集 | 第54-55页 |
| 5.1.3 实验评估方法 | 第55-56页 |
| 5.2 实验分析 | 第56-62页 |
| 5.2.1 数据降维 | 第56-57页 |
| 5.2.2 用户聚类操作 | 第57-61页 |
| 5.2.3 基于用户评分聚类的协同过滤推荐方法验证 | 第61-62页 |
| 5.3 总结与讨论 | 第62-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第六章 结论与展望 | 第64-67页 |
| 本文工作总结 | 第64-65页 |
| 未来工作展望 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 致谢 | 第72-73页 |
| 个人简历 | 第73页 |
| 在学期间的研究成果及发表的学术论文 | 第73页 |