| 摘要 | 第5-6页 |
| abstract | 第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 国内外研究现状 | 第10-13页 |
| 1.2.1 推荐算法的研究现状 | 第10-12页 |
| 1.2.2 用户影响力方法研究现状 | 第12-13页 |
| 1.3 论文主要研究内容 | 第13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第2章 相关理论与研究方法 | 第15-31页 |
| 2.1 协同过滤推荐算法简介 | 第15-21页 |
| 2.1.1 基于启发式的协同过滤算法 | 第17-19页 |
| 2.1.2 基于模型式的协同过滤算法 | 第19-21页 |
| 2.2 协同过滤推荐算法流程 | 第21-25页 |
| 2.2.1 用户-项目评价关系模型 | 第22-23页 |
| 2.2.2 相似度计算方法 | 第23-25页 |
| 2.2.3 评分预测方法 | 第25页 |
| 2.3 复杂网络的特征度量 | 第25-29页 |
| 2.3.1 度与介数 | 第25-26页 |
| 2.3.2 复杂网络的图表示方法 | 第26-27页 |
| 2.3.3 复杂网络的矩阵表示方法 | 第27-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第3章 基于用户影响力和潜在因子的协同推荐方法 | 第31-45页 |
| 3.1 基于用户影响力的评分预测方法 | 第31-37页 |
| 3.1.1 基于用户影响力网络的建模 | 第31-35页 |
| 3.1.2 选择相似邻居 | 第35-36页 |
| 3.1.3 产生评分预测 | 第36-37页 |
| 3.2 基于潜在因子的评分预测方法 | 第37-43页 |
| 3.2.1 引入贡献因子的概念 | 第38-39页 |
| 3.2.2 时间衰减函数 | 第39-41页 |
| 3.2.3 引入贡献因子和时间衰减函数的评分预测方法 | 第41-43页 |
| 3.3 基于用户影响力和潜在因子的协同推荐方法 | 第43-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 实验与结果分析 | 第45-57页 |
| 4.1 实验内容 | 第45-48页 |
| 4.1.1 实验环境 | 第45页 |
| 4.1.2 实验数据集 | 第45-47页 |
| 4.1.3 推荐算法评价标准 | 第47-48页 |
| 4.2 参数分析与调优 | 第48-53页 |
| 4.3 实验结果与分析 | 第53-55页 |
| 4.4 本章小结 | 第55-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64页 |