| 摘要 | 第13-15页 |
| Abstract | 第15-17页 |
| 第1章 绪论 | 第18-32页 |
| 1.1 研究背景 | 第18-20页 |
| 1.2 研究现状 | 第20-26页 |
| 1.2.1 融合社交信息的协同过滤算法 | 第21-22页 |
| 1.2.2 基于社交网络的矩阵分解方法 | 第22-23页 |
| 1.2.3 借助社交网络的因子分解机模型 | 第23页 |
| 1.2.4 结合社交网络的概率模型 | 第23-24页 |
| 1.2.5 基于扩散过程的推荐算法 | 第24-26页 |
| 1.3 研究内容及意义 | 第26-28页 |
| 1.4 本文贡献及创新点 | 第28-29页 |
| 1.5 本文的组织结构 | 第29-32页 |
| 第2章 基准算法、数据集和评价指标 | 第32-47页 |
| 2.1 基准算法简介 | 第32-39页 |
| 2.1.1 问题描述 | 第32-33页 |
| 2.1.2 物质扩散算法 | 第33-35页 |
| 2.1.3 热传导算法 | 第35-38页 |
| 2.1.4 混合算法 | 第38-39页 |
| 2.2 数据集介绍 | 第39-42页 |
| 2.2.1 数据预处理 | 第39-40页 |
| 2.2.2 数据集统计特征 | 第40-42页 |
| 2.3 评价指标 | 第42-46页 |
| 2.3.1 Ranking Score指标 | 第42-43页 |
| 2.3.2 Precision指标 | 第43页 |
| 2.3.3 Recall指标 | 第43页 |
| 2.3.4 Inter-user diversity指标 | 第43-44页 |
| 2.3.5 Intra-user diversity指标 | 第44页 |
| 2.3.6 Novelty指标 | 第44-45页 |
| 2.3.7 Coverage指标 | 第45页 |
| 2.3.8 Congestion指标 | 第45-46页 |
| 2.4 本章小结 | 第46-47页 |
| 第3章 融合社交网络信息的物质扩散推荐算法 | 第47-64页 |
| 3.1 推荐方法 | 第47-53页 |
| 3.2 实验和结论 | 第53-62页 |
| 3.2.1 实验数据 | 第53-54页 |
| 3.2.2 评价指标 | 第54页 |
| 3.2.3 实验结果及分析 | 第54-59页 |
| 3.2.4 数据稀疏性对推荐算法性能的影响 | 第59-61页 |
| 3.2.5 缓解冷启动问题的新思路 | 第61-62页 |
| 3.3 本章小结 | 第62-64页 |
| 第4章 考虑信任传递的物质扩散推荐算法 | 第64-80页 |
| 4.1 推荐框架 | 第64-71页 |
| 4.2 实验结果分析 | 第71-79页 |
| 4.2.1 实验设置 | 第71页 |
| 4.2.2 结果比较 | 第71-75页 |
| 4.2.3 针对不活跃用户的推荐性能评价 | 第75-78页 |
| 4.2.4 针对活跃用户的推荐性能评价 | 第78-79页 |
| 4.3 本章小结 | 第79-80页 |
| 第5章 传统扩散型推荐算法的统一框架 | 第80-104页 |
| 5.1 推荐框架 | 第80-84页 |
| 5.2 实验结果分析 | 第84-103页 |
| 5.2.1 结果比较 | 第84-89页 |
| 5.2.2 通过不活跃用户评估算法性能 | 第89-94页 |
| 5.2.3 通过活跃用户评估算法性能 | 第94-97页 |
| 5.2.4 参数的影响 | 第97-100页 |
| 5.2.5 数据稀疏性问题对算法性能的影响 | 第100-103页 |
| 5.3 本章小结 | 第103-104页 |
| 第6章 总结与展望 | 第104-106页 |
| 6.1 主要工作总结 | 第104-105页 |
| 6.2 未来工作展望 | 第105-106页 |
| 参考文献 | 第106-115页 |
| 攻读博士期间取得的成果 | 第115-116页 |
| 致谢 | 第116页 |