| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9页 |
| 1.2 研究意义 | 第9-10页 |
| 1.3 研究现状 | 第10-11页 |
| 1.4 论文结构 | 第11-13页 |
| 第二章 上下文与推荐系统概述 | 第13-25页 |
| 2.1 推荐系统基本概念 | 第13-14页 |
| 2.2 上下文推荐系统基本概念 | 第14-15页 |
| 2.2.1 上下文感知概念 | 第14页 |
| 2.2.2 上下文推荐系统定义 | 第14-15页 |
| 2.2.3 上下文的获取与挖掘 | 第15页 |
| 2.3 上下文推荐系统的算法概述 | 第15-21页 |
| 2.3.1 传统推荐系统 | 第15-19页 |
| 2.3.2 上下文推荐系统 | 第19-21页 |
| 2.4 上下文感知推荐系统应用进展 | 第21-22页 |
| 2.5 上下文推荐系统的衡量标准与解释 | 第22-23页 |
| 2.5.1 上下文推荐系统衡量标准 | 第22页 |
| 2.5.2 上下文推荐系统的解释 | 第22-23页 |
| 2.6 本章小结 | 第23-25页 |
| 第三章 上下文社交网络好友推荐算法改进 | 第25-45页 |
| 3.1 社交网络数据的表示与特点 | 第25-26页 |
| 3.2 社交网络推荐类型 | 第26-28页 |
| 3.3 SNS好友推荐改进：上下文矩阵分解模型(CONTEXT-LMF++) | 第28-40页 |
| 3.3.1 矩阵分解模型概述 | 第30-34页 |
| 3.3.2 CONTEXT-LMF++模型 | 第34-40页 |
| 3.4 实验校验 | 第40-43页 |
| 3.4.1 训练数据集 | 第40-41页 |
| 3.4.2 数据预过滤 | 第41页 |
| 3.4.3 评定标准 | 第41-42页 |
| 3.4.4 实验结论 | 第42-43页 |
| 3.5 总结 | 第43-45页 |
| 第四章 物品全局上下文推荐算法优化 | 第45-55页 |
| 4.1 基于邻域的协同算法 | 第45-48页 |
| 4.1.1 K近邻算法 | 第45-46页 |
| 4.1.2 协同过滤 | 第46-48页 |
| 4.1.3 基于物品过滤的数据预处理 | 第48页 |
| 4.2 混合上下文的相似度计算的改进—IR-IUF++算法 | 第48-52页 |
| 4.2.1 信息检索与TF-IDF | 第49-50页 |
| 4.2.2 物品全局上下文信息 | 第50-51页 |
| 4.2.3 IR-IUF++相似度算法提出 | 第51-52页 |
| 4.3 IR-IUF++实验结论 | 第52-54页 |
| 4.3.1 实验测试标准 | 第52-53页 |
| 4.3.2 测试数据集 | 第53页 |
| 4.3.3 实验结果 | 第53-54页 |
| 4.4 总结 | 第54-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-63页 |
| 攻读学位期间发表的学术论文目录 | 第63页 |