| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 经典线性测度学习技术 | 第10-14页 |
| 1.3 关系数据库模型与测度学习 | 第14-15页 |
| 1.4 推荐系统算法技术 | 第15-16页 |
| 1.5 本文主要工作 | 第16-17页 |
| 第二章 基于修正相似马尔科夫毯及信息熵特征分组的加速测度学习框架 | 第17-25页 |
| 2.1 基于改进的相似马尔科夫毯准则与信息熵的特征分组 | 第17-18页 |
| 2.2 分组子测度集成高维稀疏测度 | 第18-19页 |
| 2.3 基于分组子测度稀疏集成的测度学习加速算法 | 第19-20页 |
| 2.4 算法复杂度分析 | 第20-21页 |
| 2.5 实验 | 第21-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第三章 基于关系表的样本标注及关系测度生成 | 第25-43页 |
| 3.1 无监督关系标注生成 (USRLG) | 第25-28页 |
| 3.1.1 多实体库间关系表抽象化 | 第25-27页 |
| 3.1.2 无监督关系表转换 | 第27-28页 |
| 3.2 监督关系标注生成 (SRLG) | 第28-33页 |
| 3.2.1 闭集扩充及关系特征表的提取 | 第29-30页 |
| 3.2.2 基于多测度泛化全局关系属性加权 | 第30-31页 |
| 3.2.3 基于样本离散度的本地权值修正 | 第31-32页 |
| 3.2.4 监督关系标注生成框架 (SRLG) | 第32-33页 |
| 3.3 实验 | 第33-42页 |
| 3.3.1 无监督关系标注生成 (USRLG) | 第33-40页 |
| 3.3.2 有监督关系标注生成框架 (SRLG) | 第40-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 基于关系测度及早期有效评分重用的混合协同推荐算法 | 第43-54页 |
| 4.1 基于关系测度的评分预测 | 第43-44页 |
| 4.2 基于早期有效评分重用的动态时间评分修正 | 第44-46页 |
| 4.3 混合推荐策略的推荐集合生成 | 第46-47页 |
| 4.4 实验 | 第47-52页 |
| 4.4.1 多相似度调和参数及评分阈值调整实验 | 第48-50页 |
| 4.4.2 时间参数调整——早期评分重要性修正实验 | 第50-51页 |
| 4.4.3 本文算法与HB-CF，FIC-CF，SEIDS-CF推荐算法比较实验 | 第51-52页 |
| 4.5 本章小结 | 第52-54页 |
| 第五章 总结 | 第54-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60-61页 |
| 附件 | 第61页 |
