| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 存在的问题 | 第13-14页 |
| 1.3.1 多元、异构、稀疏数据的处理融合 | 第13-14页 |
| 1.3.2 大数据量的查询计算 | 第14页 |
| 1.4 论文主要工作 | 第14-17页 |
| 1.4.1 论文创新点 | 第14-15页 |
| 1.4.2 论文结构安排 | 第15-17页 |
| 第二章 基本理论及相关技术 | 第17-29页 |
| 2.1 推荐系统简介 | 第17-18页 |
| 2.2 常用的推荐算法 | 第18-23页 |
| 2.2.1 基于内容的推荐算法 | 第18-19页 |
| 2.2.2 协同过滤推荐算法 | 第19-22页 |
| 2.2.3 基于网络结构的推荐算法 | 第22-23页 |
| 2.3 推荐系统性能评价 | 第23-27页 |
| 2.3.1 推荐系统评价方式 | 第23页 |
| 2.3.2 推荐系统评价指标 | 第23-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第三章 基于网络结构的推荐算法 | 第29-41页 |
| 3.1 随机游走 | 第29-30页 |
| 3.1.1 基本原理 | 第29-30页 |
| 3.1.2 图模型中顶点相关性度量标准 | 第30页 |
| 3.2 常见的随机游走模型的应用 | 第30-33页 |
| 3.2.1 随机游走模型在PageRank中的应用 | 第30-31页 |
| 3.2.2 随机游走模型在PersonalRank中的应用 | 第31-32页 |
| 3.2.3 随机游走模型在SimRank中的应用 | 第32-33页 |
| 3.2.4 随机游走重启动模型 | 第33页 |
| 3.3 随机游走模型的不足 | 第33-35页 |
| 3.3.1 计算开销 | 第33-34页 |
| 3.3.2 偏离目标 | 第34-35页 |
| 3.3.3 未考虑顶点重要性 | 第35页 |
| 3.4 改进策略 | 第35-37页 |
| 3.4.1 计算开销和偏离目标的改进策略 | 第35-36页 |
| 3.4.2 衡量顶点重要性的策略 | 第36-37页 |
| 3.5 随机游走改进模型C-LRWR | 第37-38页 |
| 3.5.1 顶点重要度指标 | 第37-38页 |
| 3.5.2 基于连通性的局部随机游走重启动模型 | 第38页 |
| 3.6 其他的基于网络结构的推荐算法 | 第38-39页 |
| 3.7 C-LRWR算法描述 | 第39-40页 |
| 3.8 本章小结 | 第40-41页 |
| 第四章 基于标签的推荐算法 | 第41-47页 |
| 4.1 标签系统 | 第41-43页 |
| 4.1.1 标签系统简介 | 第41页 |
| 4.1.2 标签系统的模型 | 第41-42页 |
| 4.1.3 标签系统的优点和缺点 | 第42-43页 |
| 4.2 基于标签的改进推荐算法 | 第43-47页 |
| 4.2.1 社区划分 | 第43-44页 |
| 4.2.2 用户相似度模型 | 第44页 |
| 4.2.3 信任度计算 | 第44-45页 |
| 4.2.4 算法描述 | 第45-47页 |
| 第五章 实验仿真与验证 | 第47-59页 |
| 5.1 实验数据集 | 第47-49页 |
| 5.2 C-LRWR实验 | 第49-55页 |
| 5.3 基于标签的推荐算法实验 | 第55-59页 |
| 第六章 总结与展望 | 第59-63页 |
| 6.1 总结 | 第59-60页 |
| 6.2 展望 | 第60-63页 |
| 致谢 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 附录A 攻读硕士期间发表的论文及其他成果 | 第71-73页 |
| 附录B 算法核心代码 | 第73-79页 |