基于社交网络的个性化推荐算法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-14页 |
| ·研究背景和意义 | 第10页 |
| ·国内外研究现状综述 | 第10-11页 |
| ·主要研究内容 | 第11-12页 |
| ·研究方法 | 第12页 |
| ·本文创新与主要贡献 | 第12-13页 |
| ·本文结构 | 第13-14页 |
| 第二章 个性化推荐算法相关综述 | 第14-25页 |
| ·推荐算法介绍 | 第14-15页 |
| ·协同过滤推荐算法 | 第15-18页 |
| ·矩阵分解推荐算法 | 第18页 |
| ·推荐算法问题描述 | 第18-20页 |
| ·基准评分计算方法 | 第20-21页 |
| ·相似度计算方法 | 第21-23页 |
| ·基于记忆的推荐算法 | 第23-24页 |
| ·推荐结果评价指标 | 第24-25页 |
| 第三章 矩阵分解推荐技术 | 第25-34页 |
| ·模型介绍 | 第25-26页 |
| ·基于矩阵分解的推荐算法 | 第26-33页 |
| ·矩阵分解算法SVD | 第27-30页 |
| ·概率矩阵分解算法PMF | 第30-33页 |
| ·本章小结 | 第33-34页 |
| 第四章 SNS用户需求模型 | 第34-42页 |
| ·个性化推荐的研究现状 | 第34-36页 |
| ·社交网络推荐算法综述 | 第36-38页 |
| ·SNS用户个性化需求模型 | 第38-39页 |
| ·SNS个性化服务模型 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 第五章 基于矩阵分解的网络推荐算法 | 第42-69页 |
| ·模型介绍 | 第42-43页 |
| ·基于概率矩阵分解的网络推荐算法 | 第43-54页 |
| ·基于社交网络的PMF推荐算法 | 第43-48页 |
| ·基于时间序列影响网络的PMF推荐算法 | 第48-54页 |
| ·SNS信任度模型 | 第54页 |
| ·基于社交网络的SVD推荐算法 | 第54-59页 |
| ·影响度计算方法 | 第59页 |
| ·基于时间序列影响网络的SVD推荐算法 | 第59-69页 |
| 第六章 实验设计与分析 | 第69-75页 |
| ·实验数据 | 第69-72页 |
| ·实验结果与分析 | 第72-74页 |
| ·实验一：一般配置下各类算法效果比较 | 第72-73页 |
| ·实验二：不同学习率对各类算法效果的影响 | 第73-74页 |
| ·实验三：不同因子数对各类算法效果的影响 | 第74页 |
| ·本章小结 | 第74-75页 |
| 第七章 总结与展望 | 第75-76页 |
| 参考文献 | 第76-78页 |
| 致谢 | 第78-79页 |
| 攻读硕士学位期间主要的研究成果 | 第79页 |
