电子商务系统中一种层次化信任度计算模型
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-15页 |
| ·研究背景和意义 | 第8-9页 |
| ·关键概念说明 | 第9-13页 |
| ·推荐系统 | 第9-10页 |
| ·个性化推荐 | 第10-11页 |
| ·协同过滤 | 第11-12页 |
| ·信任 | 第12页 |
| ·社交网络 | 第12-13页 |
| ·研究内容与文章结构 | 第13-14页 |
| ·本文创新点 | 第14页 |
| ·小结 | 第14-15页 |
| 2 电子商务个性化推荐技术研究综述 | 第15-23页 |
| ·个性化推荐技术介绍 | 第15-19页 |
| ·基于内容的推荐 | 第15-16页 |
| ·基于人口统计学的推荐 | 第16-17页 |
| ·基于协同过滤的推荐 | 第17-19页 |
| ·推荐系统评价指标 | 第19-20页 |
| ·准确度 | 第19页 |
| ·覆盖率 | 第19-20页 |
| ·协同过滤缺陷讨论 | 第20-22页 |
| ·数据稀疏 | 第20-21页 |
| ·冷启动 | 第21页 |
| ·恶意攻击敏感 | 第21-22页 |
| ·可扩展性差 | 第22页 |
| ·小结 | 第22-23页 |
| 3 基于信任的个性化推荐技术综述 | 第23-29页 |
| ·用户信任与用户相似度的关系考察 | 第23-24页 |
| ·社交网络的发展将信任引入推荐系统 | 第24页 |
| ·信任机制的对协同过滤的改善 | 第24-26页 |
| ·信任机制克服数据稀疏问题 | 第25页 |
| ·信任机制克服冷启动问题 | 第25页 |
| ·信任机制缓解恶意攻击敏感问题 | 第25-26页 |
| ·信任机制对于可扩展性的改良 | 第26页 |
| ·基于用户的个性化推荐技术 | 第26-27页 |
| ·基于信任的个性化推荐技术系统架构 | 第27-28页 |
| ·小结 | 第28-29页 |
| 4 层次化信任度计算模型研究 | 第29-51页 |
| ·社交网络中的多层次信任来源 | 第29-31页 |
| ·层次化信任度计算模型 | 第31-32页 |
| ·社交网络的抽象表示 | 第32-33页 |
| ·声誉信任值的计算 | 第33-40页 |
| ·PageRank | 第33-37页 |
| ·Enhanced-PageRank | 第37-40页 |
| ·交互信任值的计算 | 第40-47页 |
| ·Mole Trust | 第41-45页 |
| ·Modified-Mole Trust | 第45-47页 |
| ·内部信任值的计算 | 第47-48页 |
| ·层次化信任度计算实例 | 第48-50页 |
| ·小结 | 第50-51页 |
| 5 实验及推荐技术评估 | 第51-64页 |
| ·实验平台介绍 | 第51-53页 |
| ·Maver | 第52页 |
| ·Mahout | 第52-53页 |
| ·Hadoop | 第53页 |
| ·实验所用数据介绍 | 第53-54页 |
| ·层次化信任度计算模型性能评估 | 第54-63页 |
| ·经验参数的确定 | 第55-57页 |
| ·算法改良效果评估 | 第57-59页 |
| ·模型预测能力评估 | 第59-61页 |
| ·模型推荐能力评估 | 第61-62页 |
| ·分布式推荐系统效率评估 | 第62-63页 |
| ·小结 | 第63-64页 |
| 6 推荐系统所蕴含的潜在社会风险 | 第64-66页 |
| ·多数人的暴政 | 第64页 |
| ·回音箱 | 第64-65页 |
| ·“多数人的暴政”与“回音箱”之间的平衡 | 第65页 |
| ·小结 | 第65-66页 |
| 7 结论与展望 | 第66-68页 |
| 参考文献 | 第68-70页 |
| 附录A:概念及定义目录 | 第70-71页 |
| 在校期间发表的学术论文和研究成果 | 第71-72页 |
| 致谢 | 第72页 |
