| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 推荐算法研究现状 | 第9-13页 |
| 1.2.1 推荐系统的应用 | 第9-10页 |
| 1.2.2 主要推荐算法介绍 | 第10-13页 |
| 1.3 本文的主要工作 | 第13页 |
| 1.4 论文结构 | 第13-14页 |
| 第二章 相关研究 | 第14-30页 |
| 2.1 协同过滤算法简介 | 第14-16页 |
| 2.2 协同过滤算法现有算法分类研究 | 第16-23页 |
| 2.2.1 基于邻域的协同过滤推荐算法 | 第16-19页 |
| 2.2.2 基于隐语义模型LFM的协同过滤推荐算法 | 第19-21页 |
| 2.2.3 基于图模型的协同过滤推荐算法 | 第21-23页 |
| 2.3 协同过滤推荐算法流程 | 第23-25页 |
| 2.3.1 用户-项目评价关系建模 | 第24页 |
| 2.3.2 相似性计算 | 第24-25页 |
| 2.4 提出问题 | 第25-26页 |
| 2.5 复杂网络的主要特征 | 第26-28页 |
| 2.6 本章小结 | 第28-30页 |
| 第三章 基于用户影响力的协同过滤推荐算法 | 第30-45页 |
| 3.1 复杂网络的特征度量 | 第30-33页 |
| 3.1.1 度（degree） | 第30页 |
| 3.1.2 介数 | 第30-31页 |
| 3.1.3 网络的表示 | 第31-32页 |
| 3.1.4 网络的矩阵表示方法 | 第32-33页 |
| 3.2 算法提出的依据 | 第33-34页 |
| 3.3 基于用户影响力网络的建模 | 第34-38页 |
| 3.4 最近邻选取 | 第38-39页 |
| 3.5 产生评分预测 | 第39-43页 |
| 3.6 本章小结 | 第43-45页 |
| 第四章 仿真实验与对比分析 | 第45-52页 |
| 4.1 实验准备 | 第45-46页 |
| 4.1.1 实验环境 | 第45页 |
| 4.1.2 数据集 | 第45-46页 |
| 4.2 算法性能评价标准 | 第46-47页 |
| 4.3 推荐算法实验及分析 | 第47-51页 |
| 4.3.1 实验及结果 | 第47-50页 |
| 4.3.2 对比及分析 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 本文工作总结 | 第52-53页 |
| 5.2 展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58页 |