| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 研究内容及创新点 | 第14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 第2章 本文涉及的理论知识 | 第16-26页 |
| 2.1 协同过滤推荐算法 | 第16-20页 |
| 2.1.1 基于内存的协同过滤算法 | 第16-19页 |
| 2.1.2 基于矩阵分解的协同过滤算法 | 第19-20页 |
| 2.2 好奇心概述 | 第20-22页 |
| 2.2.1 好奇心类别 | 第20-21页 |
| 2.2.2 好奇心相关情绪 | 第21-22页 |
| 2.2.3 好奇心相关行为 | 第22页 |
| 2.3 唤醒好奇心 | 第22-24页 |
| 2.3.1 影响好奇心的变量 | 第23-24页 |
| 2.3.2 中间唤醒理论 | 第24页 |
| 2.4 好奇心唤醒框架 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 融入单一社交好奇心影响因素的推荐算法 | 第26-40页 |
| 3.1 引言 | 第26-29页 |
| 3.2 构建用户偏好模型 | 第29页 |
| 3.3 社交好奇心影响因素的量化计算 | 第29-32页 |
| 3.3.1 社交惊喜的量化计算 | 第29-31页 |
| 3.3.2 社交不确定性的量化计算 | 第31-32页 |
| 3.4 匹配用户好奇心 | 第32-35页 |
| 3.4.1 匹配社交惊喜 | 第32-33页 |
| 3.4.2 社交不确定性的匹配 | 第33-35页 |
| 3.5 单一影响因素于用户偏好的融合 | 第35-37页 |
| 3.5.1 社交惊喜与用户偏好的融合 | 第36页 |
| 3.5.2 不确定性与用户偏好的融合 | 第36-37页 |
| 3.6 融入单一社交影响因素的推荐算法实现 | 第37-39页 |
| 3.6.1 融入社交惊喜的推荐算法的实现 | 第37-38页 |
| 3.6.2 融入社交不确定性的推荐算法的实现 | 第38-39页 |
| 3.7 本章小结 | 第39-40页 |
| 第4章 融合多种社交好奇心影响因素的推荐算法 | 第40-48页 |
| 4.1 引言 | 第40-42页 |
| 4.2 用户对多种社交好奇心影响因素的响应程度计算 | 第42-44页 |
| 4.3 多种影响因素的融合权重计算 | 第44-45页 |
| 4.4 融合多种影响因素进行推荐 | 第45页 |
| 4.5 融合多种社交好奇心影响因素的推荐算法实现 | 第45-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第5章 实验及结果分析 | 第48-64页 |
| 5.1 实验环境配置 | 第48页 |
| 5.2 实验方法及评价指标 | 第48-49页 |
| 5.3 实验与分析 | 第49-63页 |
| 5.3.1 融入社交惊喜的推荐算法的实验分析 | 第49-55页 |
| 5.3.2 融入不确定性的推荐算法的实验分析 | 第55-60页 |
| 5.3.3 融合多种社交好奇心影响因素的推荐算法实验与分析 | 第60-63页 |
| 5.4 本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70页 |