| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 推荐系统研究现状及分析 | 第12-16页 |
| 1.3 课题研究内容及组织结构 | 第16-18页 |
| 第二章 个性化推荐技术概述 | 第18-25页 |
| 2.1 个性化推荐概述 | 第18-20页 |
| 2.2 常用推荐算法分类 | 第20-24页 |
| 2.2.1 基于内容的推荐算法 | 第20-21页 |
| 2.2.2 协同过滤推荐算法 | 第21-23页 |
| 2.2.3 混合推荐算法 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第三章 基于图的协同过滤算法 | 第25-33页 |
| 3.1 基于二分图的推荐算法 | 第25-30页 |
| 3.2 基于三部图的推荐算法 | 第30-32页 |
| 3.3 本章小结 | 第32-33页 |
| 第四章 基于完全三部图模型的协同过滤算法 | 第33-48页 |
| 4.1 完全三部图模型 | 第34-35页 |
| 4.2 用户兴趣迁移的研究 | 第35-38页 |
| 4.3 时间加权权重因子 | 第38-40页 |
| 4.4 基于完全三部图模型的推荐算法 | 第40-46页 |
| 4.4.1 MassDiffusion物质扩散算法 | 第41-44页 |
| 4.4.2 HeatSpreading热量传播算法 | 第44-46页 |
| 4.4.3 混合推荐算法 | 第46页 |
| 4.5 本章小结 | 第46-48页 |
| 第五章 物品-标签联合推荐机制 | 第48-55页 |
| 5.1 推荐系统信任度问题 | 第48-49页 |
| 5.2 物品-标签联合推荐机制介绍 | 第49-50页 |
| 5.3 基于完全三部图模型的标签推荐方法 | 第50-53页 |
| 5.4 本章小结 | 第53-55页 |
| 第六章 仿真实验及结果分析 | 第55-70页 |
| 6.1 数据集介绍及数据预处理 | 第55-57页 |
| 6.1.1 MovieLens数据集 | 第55-56页 |
| 6.1.2 数据预处理 | 第56-57页 |
| 6.2 算法评价指标 | 第57-58页 |
| 6.3 实验设计与结果分析 | 第58-69页 |
| 6.3.1 时间加权权重曲线分析 | 第59-60页 |
| 6.3.2 用户兴趣迁移时间因子实验分析 | 第60-62页 |
| 6.3.3 基于完全三部图模型的物质扩散算法的验证与分析 | 第62-65页 |
| 6.3.4 混合推荐算法中混合比例因子的验证与分析 | 第65-67页 |
| 6.3.5 混合推荐算法与其他算法对比实验验证与分析 | 第67-69页 |
| 6.4 本章小结 | 第69-70页 |
| 第七章 总结与展望 | 第70-73页 |
| 7.1 总结 | 第70-71页 |
| 7.2 展望 | 第71-73页 |
| 参考文献 | 第73-76页 |
| 作者在攻读硕士学位期间公开发表的论文 | 第76-77页 |
| 作者在攻读硕士学位期间所作的项目 | 第77-78页 |
| 致谢 | 第78页 |
