| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第12-17页 |
| 1.1 研究背景与意义 | 第12-14页 |
| 1.2 研究内容 | 第14页 |
| 1.3 研究方法 | 第14页 |
| 1.4 研究创新 | 第14-15页 |
| 1.5 论文结构安排 | 第15-17页 |
| 2 国内外相关研究 | 第17-26页 |
| 2.1 情境感知的国内外研究现状 | 第17-19页 |
| 2.1.1 情境感知的早期研究 | 第17页 |
| 2.1.2 情境感知的应用现状 | 第17-18页 |
| 2.1.3 情境感知概念模型 | 第18-19页 |
| 2.2 推荐系统国内外研究现状 | 第19-25页 |
| 2.2.1 推荐系统发展 | 第19-21页 |
| 2.2.2 移动社交网络推荐 | 第21页 |
| 2.2.3 协同过滤推荐 | 第21-23页 |
| 2.2.4 协同过滤算法问题描述 | 第23-24页 |
| 2.2.5 基于链路预测的推荐系统 | 第24-25页 |
| 2.3 推荐算法的评价 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 3 情境感知推荐 | 第26-35页 |
| 3.1 情境与情境感知 | 第26-28页 |
| 3.1.1 情境的概念 | 第26页 |
| 3.1.2 情境信息的获取 | 第26-27页 |
| 3.1.3 情境感知推荐 | 第27页 |
| 3.1.4 情境预过滤 | 第27-28页 |
| 3.1.5 情境后过滤 | 第28页 |
| 3.2 协同过滤推荐算法分类 | 第28-31页 |
| 3.2.1 基于用户的协同过滤算法 | 第28-29页 |
| 3.2.2 基于项目的协同过滤算法 | 第29-30页 |
| 3.2.3 优缺点对比 | 第30-31页 |
| 3.3 基于情境感知的协同过滤算法 | 第31-32页 |
| 3.4 算法性能评价标准 | 第32-34页 |
| 3.5 本章小结 | 第34-35页 |
| 4 情境感知个性化推荐模型 | 第35-51页 |
| 4.1 个性化推荐 | 第35页 |
| 4.2 情境建模 | 第35-37页 |
| 4.2.1 情境建模和情境感知推荐系统 | 第35-36页 |
| 4.2.2 情境感知系统框架 | 第36-37页 |
| 4.3 情境感知推荐算法 | 第37-39页 |
| 4.3.1 在推荐系统中实现情境信息的建模 | 第37-38页 |
| 4.3.2 结合的情境感知推荐算法 | 第38-39页 |
| 4.4 动态情境 | 第39-41页 |
| 4.4.1 动态情境定义 | 第39-40页 |
| 4.4.2 推荐过程中的动态情境 | 第40页 |
| 4.4.3 动态情境整合 | 第40-41页 |
| 4.5 基于情境感知的个性化推荐模型 | 第41-50页 |
| 4.5.1 邻居用户的选择 | 第42-43页 |
| 4.5.2 预测评分 | 第43-44页 |
| 4.5.3 情境权值 | 第44-45页 |
| 4.5.4 情境因素 | 第45-50页 |
| 4.5.5 推荐结果 | 第50页 |
| 4.6 本章小结 | 第50-51页 |
| 5 仿真实验及分析 | 第51-58页 |
| 5.1 数据集介绍 | 第51-52页 |
| 5.1.1 数据收集 | 第51页 |
| 5.1.2 评价指标 | 第51-52页 |
| 5.1.3 算法流程 | 第52页 |
| 5.2 实验结果分析 | 第52-56页 |
| 5.2.1 实验过程分析 | 第52-56页 |
| 5.2.2 实验结果 | 第56页 |
| 5.3 本章小结 | 第56-58页 |
| 6 主要结论及研究展望 | 第58-60页 |
| 6.1 主要结论 | 第58页 |
| 6.2 后续研究展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 附录 1：获取预测评分部分代码 | 第65-68页 |
| 附录 2：作者在读期间发表的学术论文及参加的科研项目 | 第68页 |