| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外相关研究 | 第10-11页 |
| 1.3 本文的主要内容 | 第11页 |
| 1.4 本文的结构安排 | 第11-13页 |
| 第二章 背景知识 | 第13-22页 |
| 2.1 推荐系统 | 第13-14页 |
| 2.2 推荐算法 | 第14-18页 |
| 2.2.1 基于内容的推荐算法 | 第14-15页 |
| 2.2.2 协同过滤推荐算法 | 第15-18页 |
| 2.2.2.1 基于内存的协同过滤推荐算法 | 第15-17页 |
| 2.2.2.2 基于模型的协同过滤推荐算法 | 第17-18页 |
| 2.2.3 组合推荐算法 | 第18页 |
| 2.3 矩阵分解模型 | 第18-21页 |
| 2.3.1 矩阵分解的方法 | 第18-20页 |
| 2.3.1.1 SVD分解 | 第19页 |
| 2.3.1.2 Funk-SVD | 第19-20页 |
| 2.3.2 基于排序的矩阵分解模型 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 相关工作 | 第22-27页 |
| 3.1 数据稀疏性问题及其主要成因 | 第22页 |
| 3.2 数据稀疏性问题对协同过滤推荐算法的影响 | 第22-24页 |
| 3.3 数据稀疏性问题现有的解决方法 | 第24-26页 |
| 3.3.1 通过提高评分矩阵的密度处理稀疏性问题 | 第25页 |
| 3.3.2 通过修正推荐的关键过程处理数据稀疏性问题 | 第25-26页 |
| 3.4 本章小结 | 第26-27页 |
| 第四章 集成社交网络信息的矩阵分解模型 | 第27-36页 |
| 4.1 正负例的抽取 | 第27-28页 |
| 4.2 集成社交网络中的隐反馈 | 第28-33页 |
| 4.2.1 隐反馈及其在矩阵分解中的作用 | 第28-29页 |
| 4.2.2 集成用户的好友关系 | 第29-30页 |
| 4.2.3 集成标签信息 | 第30-31页 |
| 4.2.4 集成用户的好友关系与标签信息 | 第31-33页 |
| 4.3 集成基于项目的近邻关系 | 第33-35页 |
| 4.3.1 矩阵分解模型的不足 | 第33-34页 |
| 4.3.2 近邻项目的获取 | 第34-35页 |
| 4.3.3 近邻模型与隐语义模型的融合 | 第35页 |
| 4.4 本章小结 | 第35-36页 |
| 第五章 实验结果及其分析 | 第36-45页 |
| 5.1 实验数据集 | 第36-38页 |
| 5.2 实验评价指标 | 第38页 |
| 5.3 社交网络中信息的作用 | 第38-39页 |
| 5.4 对比算法及其参数设定 | 第39-41页 |
| 5.5 对比试验 | 第41-42页 |
| 5.6 反例抽取的影响 | 第42-44页 |
| 5.7 本章小结 | 第44-45页 |
| 第六章 总结与展望 | 第45-47页 |
| 6.1 总结 | 第45页 |
| 6.2 未来展望 | 第45-47页 |
| 致谢 | 第47-48页 |
| 参考文献 | 第48-51页 |