| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外相关研究现状 | 第10-12页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 本文主要研究内容 | 第12页 |
| 1.4 本文的结构 | 第12-15页 |
| 第2章 情景感知贝叶斯网络和混合推荐 | 第15-29页 |
| 2.1 情景感知技术 | 第15-17页 |
| 2.1.1 情景信息定义 | 第15页 |
| 2.1.2 情景信息建模 | 第15-16页 |
| 2.1.3 基于定量分析的用户情景特征偏好获取技术 | 第16页 |
| 2.1.4 情景感知推荐生成技术 | 第16-17页 |
| 2.2 贝叶斯网络 | 第17-24页 |
| 2.2.1 贝叶斯网络模型的概率论基础 | 第18页 |
| 2.2.2 贝叶斯网络的基本概念 | 第18-19页 |
| 2.2.3 贝叶斯网参数学习 | 第19-23页 |
| 2.2.4 贝叶斯网络结构构建 | 第23-24页 |
| 2.3 添加隐变量的BN模型简介 | 第24-25页 |
| 2.4 混合推荐系统 | 第25-27页 |
| 2.4.1 整体式混合推荐 | 第26页 |
| 2.4.2 并行化混合推荐 | 第26-27页 |
| 2.4.3 管道式混合推荐 | 第27页 |
| 2.5 小结 | 第27-29页 |
| 第3章 基于情景信息的贝叶斯网模型和协同过滤部件 | 第29-43页 |
| 3.1 基于情景信息隐变量的贝叶斯网络模型推荐结果预测 | 第29-37页 |
| 3.1.1 电影数据评分模型定义 | 第29-30页 |
| 3.1.2 用于隐变量模型选择的BIC评分 | 第30-31页 |
| 3.1.3 提出利用半团结构的RBNL模型结构构建 | 第31-33页 |
| 3.1.4 RBNL模型的条件概率表计算 | 第33-35页 |
| 3.1.5 基于变量消元法的隐变量推理方法 | 第35-36页 |
| 3.1.6 基于RBNL模型推理的项目评分预测 | 第36-37页 |
| 3.2 基于k-means聚类的协同过滤算法 | 第37-41页 |
| 3.2.1 定义用户评分矩阵 | 第38页 |
| 3.2.2 聚类生成虚拟用户空间 | 第38-40页 |
| 3.2.3 选取邻居用户 | 第40-41页 |
| 3.3 小结 | 第41-43页 |
| 第4章 自适应权重的混合推荐算法 | 第43-49页 |
| 4.1 混合推荐技术 | 第43-45页 |
| 4.1.1 混合推荐方法的必要性 | 第43-44页 |
| 4.1.2 混合推荐的基本思想 | 第44-45页 |
| 4.2 混合推荐中的自适应权重的分析与实现 | 第45-47页 |
| 4.2.1 误差差值矩阵预测 | 第46页 |
| 4.2.2 混合权重计算 | 第46-47页 |
| 4.2.3 混合推荐系统的结果输出 | 第47页 |
| 4.3 推荐预测结果评估标准 | 第47-48页 |
| 4.4 小结 | 第48-49页 |
| 第5章 混合推荐系统的实现和实验结果 | 第49-61页 |
| 5.1 推荐系统的整体实现 | 第49-55页 |
| 5.1.1 数据预处理 | 第50-52页 |
| 5.1.2 评分预测 | 第52页 |
| 5.1.3 自适应权重计算 | 第52-54页 |
| 5.1.4 加权混合 | 第54-55页 |
| 5.1.5 生成混合推荐结果 | 第55页 |
| 5.2 实验结果分析 | 第55-59页 |
| 5.2.1 实验环境 | 第55-57页 |
| 5.2.2 实验设置 | 第57页 |
| 5.2.3 实验结果分析 | 第57-59页 |
| 5.3 小结 | 第59-61页 |
| 第6章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61-62页 |
| 6.2 展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间取得的研究成果 | 第67-69页 |
| 致谢 | 第69页 |
