| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11页 |
| 1.2 国内外研究现状及分析 | 第11-16页 |
| 1.2.1 协同过滤算法研究现状 | 第12-14页 |
| 1.2.2 基于信任的推荐算法研究现状 | 第14-15页 |
| 1.2.3 研究存在的不足 | 第15-16页 |
| 1.3 研究内容与技术路线 | 第16-18页 |
| 1.3.1 研究内容 | 第16-17页 |
| 1.3.2 技术路线 | 第17-18页 |
| 1.4 研究方法与创新点 | 第18-19页 |
| 1.4.1 研究方法 | 第18页 |
| 1.4.2 创新点 | 第18-19页 |
| 第二章 相关理论 | 第19-27页 |
| 2.1 推荐系统 | 第19-21页 |
| 2.1.1 推荐系统概述 | 第19-20页 |
| 2.1.2 评估标准 | 第20-21页 |
| 2.2 协同过滤 | 第21-23页 |
| 2.2.1 基本概念 | 第21-22页 |
| 2.2.2 主要算法 | 第22-23页 |
| 2.2.3 协同过滤推荐算法存在的问题 | 第23页 |
| 2.3 信任相关理论 | 第23-26页 |
| 2.3.1 信任定义 | 第23-24页 |
| 2.3.2 信任特性 | 第24-25页 |
| 2.3.3 基于用户信任关系的个性化推荐技术 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 结合用户隐性信任的协同过滤推荐算法研究 | 第27-36页 |
| 3.1 经典的基于显性信任的协同过滤推荐算法 | 第27-28页 |
| 3.1.1 TBCF推荐算法流程 | 第27-28页 |
| 3.1.2 TBCF推荐算法存在的问题 | 第28页 |
| 3.2 基于用户隐性信任的用户可信度研究 | 第28-31页 |
| 3.2.1 用户隐性信任关系挖掘 | 第29-30页 |
| 3.2.2 用户可信度计算 | 第30页 |
| 3.2.3 算法步骤 | 第30-31页 |
| 3.3 实验与分析 | 第31-35页 |
| 3.3.1 数据集介绍 | 第31-33页 |
| 3.3.2 评价标准 | 第33页 |
| 3.3.3 实验结果对比分析 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于用户信任和兴趣的协同过滤推荐算法研究 | 第36-45页 |
| 4.1 传统的基于用户的协同过滤推荐算法 | 第36-38页 |
| 4.2 用户兴趣相似关系挖掘 | 第38-41页 |
| 4.2.1 “用户兴趣相似度”概念 | 第38-39页 |
| 4.2.2 用户兴趣相似度计算 | 第39-41页 |
| 4.3 基于用户信任和兴趣的协同过滤推荐算法框架 | 第41-42页 |
| 4.3.1 STUI算法介绍 | 第41-42页 |
| 4.3.2 STUI算法步骤 | 第42页 |
| 4.4 实验与分析 | 第42-44页 |
| 4.4.1 数据集介绍 | 第42页 |
| 4.4.2 评价标准 | 第42页 |
| 4.4.3 实验结果对比分析 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 结合用户信任和兴趣的概率矩阵分解推荐算法研究 | 第45-56页 |
| 5.1 概率矩阵分解模型 | 第45-46页 |
| 5.2 构建结合用户信任和兴趣的概率矩阵分解模型 | 第46-50页 |
| 5.2.1 挖掘用户间隐性信任信息 | 第46-47页 |
| 5.2.2 挖掘用户间隐式兴趣信息 | 第47-48页 |
| 5.2.3 融入用户信任和兴趣的概率矩阵分解推荐算法基本框架 | 第48-50页 |
| 5.3 实验与分析 | 第50-55页 |
| 5.3.1 数据集介绍 | 第50页 |
| 5.3.2 评价标准 | 第50-51页 |
| 5.3.3 模型参数训练 | 第51-52页 |
| 5.3.4 实验结果对比分析 | 第52-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56-57页 |
| 6.2 研究展望 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63-64页 |
| 在学期间的研究成果及发表的学术论文 | 第64-65页 |
| 附录一 部分程序代码 | 第65-67页 |