| 摘要 | 第5-7页 |
| abstract | 第7-9页 |
| 第1章 绪论 | 第13-29页 |
| 1.1 研究背景和意义 | 第13-15页 |
| 1.2 协同过滤推荐方法概述 | 第15-19页 |
| 1.2.1 协同过滤推荐方法的分类 | 第16-17页 |
| 1.2.2 协同过滤推荐方法存在的问题 | 第17页 |
| 1.2.3 协同过滤推荐方法的改进方法 | 第17-19页 |
| 1.3 研究现状和进展 | 第19-26页 |
| 1.3.1 基于项目内容的协同过滤推荐方法研究现状与进展 | 第19-20页 |
| 1.3.2 基于用户对项目评论的协同过滤推荐方法研究现状与进展 | 第20-22页 |
| 1.3.3 考虑时间的协同过滤推荐方法研究现状和进展 | 第22-23页 |
| 1.3.4 基于时序的协同过滤推荐方法研究现状与进展 | 第23-24页 |
| 1.3.5 基于用户关系的协同过滤推荐方法研究现状与进展 | 第24-26页 |
| 1.4 论文主要工作 | 第26页 |
| 1.5 论文组织结构 | 第26-29页 |
| 第2章 基于用户对项目内部子信息偏好的推荐方法 | 第29-46页 |
| 2.1 引言 | 第29-31页 |
| 2.2 基于公共项目评分的用户偏好相似度 | 第31页 |
| 2.3 基于项目内部子信息的推荐方法 | 第31-34页 |
| 2.3.1 用户对内部子信息的评分 | 第32-33页 |
| 2.3.2 基于用户对内部子信息的偏好的相似度 | 第33页 |
| 2.3.3 基于动态调节权重的相似度混合方法 | 第33-34页 |
| 2.3.4 基于项目内部子信息的评分预测方法 | 第34页 |
| 2.4 由标签生成的项目内部子信息 | 第34-36页 |
| 2.4.1 标签与项目的关联权重 | 第35页 |
| 2.4.2 用户对带权重的项目内部子信息的评分 | 第35-36页 |
| 2.5 实验分析 | 第36-45页 |
| 2.5.1 数据集描述 | 第36-37页 |
| 2.5.2 评价指标 | 第37页 |
| 2.5.3 实验设置 | 第37-38页 |
| 2.5.4 实验结果和讨论 | 第38-45页 |
| 2.6 本章小结 | 第45-46页 |
| 第3章 考虑评论中用户偏好的协同过滤推荐方法 | 第46-57页 |
| 3.1 引言 | 第46-47页 |
| 3.2 使用的术语和符号 | 第47-48页 |
| 3.3 基于评分的用户相似度 | 第48-50页 |
| 3.3.1 基于评分的皮尔逊相关系数 | 第48页 |
| 3.3.2 基于评分的启发式相似度 | 第48-50页 |
| 3.4 基于ADW方法的用户评论的语义相似度 | 第50-51页 |
| 3.5 考虑评分和评论的用户偏好相似度 | 第51-53页 |
| 3.5.1 考虑用户评论的皮尔逊相关系数 | 第52页 |
| 3.5.2 考虑用户评论的启发式相似度 | 第52-53页 |
| 3.6 考虑评论语义和评分的协同过滤推荐方法 | 第53页 |
| 3.7 实验分析 | 第53-56页 |
| 3.7.1 实验数据集 | 第53-54页 |
| 3.7.2 对比方法 | 第54页 |
| 3.7.3 评价指标 | 第54-55页 |
| 3.7.4 结果分析 | 第55-56页 |
| 3.8 本章小结 | 第56-57页 |
| 第4章 考虑用户偏好时序特征的协同过滤推荐方法 | 第57-75页 |
| 4.1 引言 | 第57-58页 |
| 4.2 问题描述 | 第58-60页 |
| 4.3 基于兴趣序列的协同过滤推荐方法 | 第60-65页 |
| 4.3.1 基于LCSIS和ACSIS的相似性 | 第60-64页 |
| 4.3.2 混合兴趣序列相似性的用户相似性 | 第64页 |
| 4.3.3 基于兴趣序列的用户评分预测 | 第64-65页 |
| 4.4 实验分析 | 第65-73页 |
| 4.4.1 数据集描述 | 第65页 |
| 4.4.2 评价指标 | 第65-66页 |
| 4.4.3 实验设置 | 第66页 |
| 4.4.4 实验结果与分析 | 第66-73页 |
| 4.5 本章小结 | 第73-75页 |
| 第5章 混合用户时序偏好和项目关系的推荐方法 | 第75-92页 |
| 5.1 引言 | 第75-77页 |
| 5.2 轨迹建模 | 第77-79页 |
| 5.2.1 轨迹历史表示 | 第77-78页 |
| 5.2.2 停留点提取 | 第78页 |
| 5.2.3 停留点聚类分析 | 第78-79页 |
| 5.3 基于用户时序偏好和项目关系的混合推荐方法 | 第79-85页 |
| 5.3.1 用户轨迹相似度 | 第79-81页 |
| 5.3.2 动态惩罚项目流行度的相似度 | 第81-82页 |
| 5.3.3 混合推荐算法 | 第82-85页 |
| 5.4 实验分析 | 第85-90页 |
| 5.4.1 数据集选取 | 第85页 |
| 5.4.2 评价指标 | 第85页 |
| 5.4.3 实验参数的设定 | 第85-86页 |
| 5.4.4 实验结果分析 | 第86-90页 |
| 5.5 本章小结 | 第90-92页 |
| 第6章 基于用户偏好间影响关系的协同过滤推荐方法 | 第92-104页 |
| 6.1 引言 | 第92-93页 |
| 6.2 基于用户信任的概率矩阵分解模型 | 第93-96页 |
| 6.3 用户偏好间影响关系 | 第96-98页 |
| 6.4 基于用户偏好间影响关系的概率矩阵分解模型 | 第98-100页 |
| 6.5 实验分析 | 第100-103页 |
| 6.5.1 对比方法和参数设置 | 第101页 |
| 6.5.2 数据集 | 第101页 |
| 6.5.3 评价指标 | 第101页 |
| 6.5.4 实验结果对比 | 第101-103页 |
| 6.6 本章小结 | 第103-104页 |
| 结论 | 第104-105页 |
| 参考文献 | 第105-120页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第120-121页 |
| 致谢 | 第121页 |
