| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 引言 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 研究现状 | 第9-12页 |
| 1.2.1 异构信息网络关系预测 | 第10页 |
| 1.2.2 异构信息网络节点影响力排名 | 第10-11页 |
| 1.2.3 用户偏好分析 | 第11-12页 |
| 1.3 本文研究内容 | 第12-13页 |
| 1.4 本文的结构安排 | 第13-15页 |
| 第二章 异构信息网络理论基础 | 第15-23页 |
| 2.1 基本概念 | 第15-19页 |
| 2.2 典型的异构信息网络 | 第19-21页 |
| 2.3 随机游走模型 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 双Hub型异构信息网络中社交群体驱动下的信息子网节点影响力 | 第23-35页 |
| 3.1 问题描述 | 第23-24页 |
| 3.2 社交群体驱动下的信息子网节点影响力 | 第24-26页 |
| 3.2.1 信息子网中的节点影响力与随机游走 | 第24-25页 |
| 3.2.2 信息子网中随机游走 | 第25-26页 |
| 3.3 用户关注信息介入下的随机游走节点影响力分析模型 | 第26-28页 |
| 3.3.1 介入机制 | 第26-27页 |
| 3.3.2 无关注节点的优化 | 第27-28页 |
| 3.3.3 用户关注信息介入下的随机游走节点影响力分析模型AI-RWM | 第28页 |
| 3.4 AI-RWM模型在Douban中的应用 | 第28-34页 |
| 3.4.1 实验设置 | 第29-30页 |
| 3.4.2 实验结果与对照分析 | 第30-34页 |
| 3.5 小结 | 第34-35页 |
| 第四章 基于元路径的用户相似性与偏好基因提取 | 第35-46页 |
| 4.1 异构信息网络中节点对相似性度量 | 第36-37页 |
| 4.2 基于信息子网元路径的Hub节点对相似性计算 | 第37-41页 |
| 4.2.1 信息子网中项目型Hub节点对相似性计算算法思想 | 第37页 |
| 4.2.2 用户型Hub节点对相似性计算算法思想 | 第37-38页 |
| 4.2.3 实验结果与分析 | 第38-41页 |
| 4.3 基于元路径的用户偏好基因提取 | 第41-45页 |
| 4.3.1 基于元路径的用户偏好基因提取基本思想 | 第41-42页 |
| 4.3.2 基于元路径的用户偏好基因提取模型MPATH-GENE | 第42-43页 |
| 4.3.3 实验结果与分析 | 第43-45页 |
| 4.4 小结 | 第45-46页 |
| 第五章 基于随机游走的Hub实体间关系预测 | 第46-57页 |
| 5.1 问题描述 | 第46-47页 |
| 5.2 基于随机游走的Hub实体间关系预测 | 第47-49页 |
| 5.2.1 基本思想 | 第47-48页 |
| 5.2.2 基于用户相似性的项目关注度填充 | 第48-49页 |
| 5.2.3 基于随机游走的用户-项目兴趣度排名模型UII-RWM | 第49页 |
| 5.3 实验结果与分析 | 第49-55页 |
| 5.3.1 实验设置与评价标准 | 第49-52页 |
| 5.3.2 实验结果与分析 | 第52-55页 |
| 5.4 小结 | 第55-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 附录 | 第63-65页 |
| 致谢 | 第65-66页 |
| 个人简历 | 第66-67页 |
| 在学期间的研究成果及发表的学术论文 | 第67页 |
