| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 个性推荐技术研究现状 | 第11-12页 |
| 1.2.2 个性推荐技术面临挑战 | 第12-14页 |
| 1.3 本文研究内容及章节安排 | 第14-15页 |
| 1.4 本章小结 | 第15-16页 |
| 第2章 复杂网络的理论技术 | 第16-30页 |
| 2.1 复杂网络相关理论 | 第16-21页 |
| 2.1.1 复杂网络基本概念 | 第16-19页 |
| 2.1.2 复杂网络基本模型 | 第19-21页 |
| 2.2 多层复杂网络基本概念 | 第21-23页 |
| 2.3 复杂网络中的社团划分 | 第23-28页 |
| 2.3.1 社团划分基本概念 | 第23-24页 |
| 2.3.2 社团划分方法 | 第24-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第3章 推荐算法相关技术理论 | 第30-40页 |
| 3.1 基于内容的推荐算法 | 第31-32页 |
| 3.2 协同过滤推荐算法 | 第32-35页 |
| 3.2.1 基于用户的协同过滤算法 | 第33-34页 |
| 3.2.2 基于项目的协同过滤算法 | 第34页 |
| 3.2.3 协同过滤算法的优缺点 | 第34-35页 |
| 3.3 混合推荐算法 | 第35-37页 |
| 3.4 社会化推荐算法 | 第37-38页 |
| 3.5 本章小节 | 第38-40页 |
| 第4章 基于复杂网络的协同过滤算法 | 第40-56页 |
| 4.1 相似度算法 | 第40-44页 |
| 4.1.1 传统相似度算法 | 第41-42页 |
| 4.1.2 综合属性距离及关系强度相似度的算法 | 第42-44页 |
| 4.2 基于复杂网络的协同过滤算法 | 第44-49页 |
| 4.2.1 算法基本思想 | 第44-45页 |
| 4.2.2 复杂网络的构建 | 第45页 |
| 4.2.3 相似度计算 | 第45-48页 |
| 4.2.4 邻居选择以及评分预测 | 第48-49页 |
| 4.3 实验与分析 | 第49-53页 |
| 4.3.1 实验数据 | 第49页 |
| 4.3.2 实验评价指标 | 第49-51页 |
| 4.3.3 实验步骤及结果分析 | 第51-53页 |
| 4.4 本章小结 | 第53-56页 |
| 第5章 基于多层复杂网络的协同过滤算法 | 第56-70页 |
| 5.1 多层复杂网络的构建 | 第57-65页 |
| 5.1.1 多层复杂网络的构建方法 | 第57-61页 |
| 5.1.2 基于MovieLens的多层复杂网络构建模型 | 第61-65页 |
| 5.2 基于多层复杂网络的协同过滤算法 | 第65-66页 |
| 5.2.1 多层网络中的社团划分 | 第65-66页 |
| 5.2.2 邻居选择及评分预测 | 第66页 |
| 5.3 实验步骤与结果分析 | 第66-69页 |
| 5.4 本章小结 | 第69-70页 |
| 第6章 总结与展望 | 第70-72页 |
| 6.1 总结 | 第70-71页 |
| 6.2 展望 | 第71-72页 |
| 参考文献 | 第72-78页 |
| 致谢 | 第78页 |