| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 现阶段的推荐技术 | 第10-12页 |
| 1.2.2 研究现状与未来研究方向 | 第12-14页 |
| 1.3 论文的研究内容 | 第14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第2章 组合推荐算法研究与实现 | 第16-33页 |
| 2.1 传统的协同过滤算法及其存在的问题 | 第16-22页 |
| 2.1.1 基于用户的协同过滤算法 | 第16-19页 |
| 2.1.2 基于项目的协同过滤算法 | 第19-20页 |
| 2.1.3 基于模型协同过滤算法 | 第20-21页 |
| 2.1.4 协同过滤推荐算法存在的问题 | 第21-22页 |
| 2.2 组合推荐算法的研究 | 第22-31页 |
| 2.2.1 组合推荐算法的设计 | 第22-26页 |
| 2.2.2 组合推荐算法的推荐过程 | 第26-29页 |
| 2.2.3 组合推荐算法的实现 | 第29-31页 |
| 2.3 本章小结 | 第31-33页 |
| 第3章 融合社交网络信息的推荐算法研究 | 第33-48页 |
| 3.1 传统的相似度计算方法分析 | 第33-35页 |
| 3.1.1 基于皮尔森相关性的相似度 | 第33-34页 |
| 3.1.2 基于欧几里德距离的相似度 | 第34-35页 |
| 3.1.3 余弦相似度 | 第35页 |
| 3.2 社交网络对推荐的意义 | 第35-36页 |
| 3.3 融合社交网络用户关系的相似度设计 | 第36-41页 |
| 3.3.1 问题分析 | 第36-37页 |
| 3.3.2 社交相似度的计算 | 第37-39页 |
| 3.3.3 评分相似度与社交相似度的融合 | 第39-40页 |
| 3.3.4 基于共同评分项的相似度模型优化 | 第40-41页 |
| 3.4 融合社交网络关系的协同过滤算法的实现 | 第41-47页 |
| 3.4.1 算法分析 | 第41-42页 |
| 3.4.2 算法框架与步骤 | 第42-45页 |
| 3.4.3 算法的实现 | 第45-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 实验结果与分析 | 第48-57页 |
| 4.1 实验环境与数据集 | 第48-50页 |
| 4.1.1 实验环境配置 | 第48页 |
| 4.1.2 实验数据集 | 第48-50页 |
| 4.2 测评标准 | 第50-52页 |
| 4.3 实验方案与实验结果分析 | 第52-56页 |
| 4.3.1 预测评分填充百分比 λ 对推荐结果的影响 | 第52-53页 |
| 4.3.2 组合推荐算法与传统协同过滤对比 | 第53-54页 |
| 4.3.3 参数 α 对推荐结果的影响 | 第54-55页 |
| 4.3.4 权重参数 φ 对推荐结果的影响 | 第55页 |
| 4.3.5 融合社交网络信息的算法与传统协同过滤对比 | 第55-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第5章 总结与展望 | 第57-59页 |
| 5.1 本文工作总结 | 第57-58页 |
| 5.2 未来工作展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 攻读硕士学位期间的研究成果 | 第63页 |