| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.3 论文主要内容 | 第16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第二章 社会化推荐系统概述 | 第18-30页 |
| 2.1 引言 | 第18页 |
| 2.2 社会化推荐系统概述 | 第18-19页 |
| 2.3 社会化推荐系统的特征与含义 | 第19-20页 |
| 2.4 现有的社会化推荐系统 | 第20-26页 |
| 2.4.1 基于历史记录的社会化推荐系统 | 第20-22页 |
| 2.4.2 基于模型的社会化推荐系统 | 第22-25页 |
| 2.4.3 添加多信息源的社会化推荐系统 | 第25-26页 |
| 2.5 社会化推荐系统的优缺点 | 第26-28页 |
| 2.5.1 社会化推荐系统的优点 | 第26-27页 |
| 2.5.2 社会化推荐系统的缺点 | 第27-28页 |
| 2.6 评价标准 | 第28-29页 |
| 2.6.1 数据集 | 第28页 |
| 2.6.2 评价方法 | 第28-29页 |
| 2.7 本章小结 | 第29-30页 |
| 第三章 基于社交网络的知乎信息流推荐算法介绍 | 第30-40页 |
| 3.1 引言 | 第30页 |
| 3.2 知乎网内容特征 | 第30-32页 |
| 3.3 信息流推荐理论 | 第32-33页 |
| 3.4 个人兴趣表现因素 | 第33-34页 |
| 3.5 基于时间段模型的随机游走算法 | 第34-37页 |
| 3.5.1 图模型的构建 | 第34-35页 |
| 3.5.2 随机游走算法介绍 | 第35-36页 |
| 3.5.2.1 PageRank算法 | 第35-36页 |
| 3.5.2.2 PersonalRank算法 | 第36页 |
| 3.5.3 基于随机游走模型的信息流推荐 | 第36-37页 |
| 3.6 基于文本内容和社交关系的矩阵分解模型推荐算法 | 第37-39页 |
| 3.6.1 矩阵分解模型简介 | 第37页 |
| 3.6.2 基于文本内容的矩阵分解 | 第37-39页 |
| 3.6.2.1 通过矩阵分解得到用户与问题的相关性 | 第38页 |
| 3.6.2.2 用户的个人信息主题刻画 | 第38-39页 |
| 3.6.2.3 推荐列表的生成 | 第39页 |
| 3.7 本章小结 | 第39-40页 |
| 第四章 基于时间段模型的随机游走算法设计 | 第40-64页 |
| 4.1 引言 | 第40页 |
| 4.2 算法设计 | 第40-51页 |
| 4.2.1 构造用户兴趣异构图 | 第42-44页 |
| 4.2.2 时间段图模型 | 第44-46页 |
| 4.2.3 构造关注关系图 | 第46-48页 |
| 4.2.4 基于社交关系与用户兴趣的随机游走 | 第48-50页 |
| 4.2.4.1 用户兴趣异构图中的随机游走 | 第48-49页 |
| 4.2.4.2 添加强关系的关注关系图中的随机游走 | 第49-50页 |
| 4.2.4.3 结合用户个人兴趣与社交关系的物品推荐 | 第50页 |
| 4.2.5 生成问题推荐 | 第50-51页 |
| 4.3 实验与结论 | 第51-62页 |
| 4.3.1 数据集介绍 | 第51-56页 |
| 4.3.1.1 数据集分析 | 第52-54页 |
| 4.3.1.2 提取数据集介绍 | 第54-56页 |
| 4.3.2 评价标准 | 第56-57页 |
| 4.3.3 对比算法 | 第57页 |
| 4.3.4 实验 | 第57-62页 |
| 4.3.4.1 参数α对算法的影响 | 第57-59页 |
| 4.3.4.2 参数β对算法的影响 | 第59-60页 |
| 4.3.4.3 参数γ对算法的影响 | 第60-61页 |
| 4.3.4.4 总体实验对比 | 第61-62页 |
| 4.4 本章小结 | 第62-64页 |
| 第五章 基于内容的矩阵分解推荐算法 | 第64-83页 |
| 5.1 引言 | 第64页 |
| 5.2 背景知识 | 第64-67页 |
| 5.2.1 TF-IDF关键词提取 | 第65-66页 |
| 5.2.2 矩阵分解(MF) | 第66-67页 |
| 5.3 算法设计 | 第67-72页 |
| 5.3.1 用户特征构造 | 第67-70页 |
| 5.3.1.1 知乎网的用户属性 | 第67-68页 |
| 5.3.1.2 构造用户特征词向量 | 第68-70页 |
| 5.3.2 矩阵分解模型的构造 | 第70-71页 |
| 5.3.3 强化特征词 | 第71页 |
| 5.3.4 推荐 | 第71-72页 |
| 5.3.4.1 加入社交关系 | 第71-72页 |
| 5.3.4.2 生成推荐列表 | 第72页 |
| 5.4 实验与结论 | 第72-79页 |
| 5.4.1 数据集介绍 | 第72-74页 |
| 5.4.2 评测标准 | 第74页 |
| 5.4.3 实验设置 | 第74-75页 |
| 5.4.4 推荐阈值h对算法的影响 | 第75-77页 |
| 5.4.5 社交因子β对算法的影响 | 第77-78页 |
| 5.4.6 总体实验对比 | 第78-79页 |
| 5.5 知乎用户画像 | 第79-82页 |
| 5.5.1 用户画像模型 | 第79-81页 |
| 5.5.2 用户画像的使用 | 第81-82页 |
| 5.6 本章小结 | 第82-83页 |
| 第六章 总结与展望 | 第83-86页 |
| 6.1 总结 | 第83-84页 |
| 6.2 展望 | 第84-86页 |
| 致谢 | 第86-87页 |
| 参考文献 | 第87-91页 |
| 攻读硕士学位期间取得的成果 | 第91-92页 |
