结合社交网络分析和协同过滤技术的推荐算法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-14页 |
| ·研究背景及意义 | 第10-11页 |
| ·国内外研究现状 | 第11-12页 |
| ·研究内容及章节安排 | 第12-14页 |
| 第2章 相关工作 | 第14-30页 |
| ·推荐系统的算法类型 | 第14-17页 |
| ·基于内容的推荐算法 | 第14-15页 |
| ·协同过滤推荐算法 | 第15-16页 |
| ·混合推荐技术 | 第16-17页 |
| ·协同过滤推荐算法 | 第17-23页 |
| ·基于内存的协同过滤 | 第18-21页 |
| ·基于模型的协同过滤 | 第21-23页 |
| ·社交网络分析 | 第23-26页 |
| ·基于局部信息的节点相似度指标 | 第23-25页 |
| ·基于全局信息的节点相似度指标 | 第25-26页 |
| ·机器学习相关理论 | 第26-30页 |
| ·Logistic回归 | 第26-27页 |
| ·Fisher线性判别 | 第27-30页 |
| 第3章 算法原理 | 第30-38页 |
| ·改进的社交网络节点相似度计算方法 | 第30-33页 |
| ·算法基本思想 | 第30-31页 |
| ·特征的选取 | 第31-32页 |
| ·使用Logistic回归进行模型的训练 | 第32-33页 |
| ·生成用户的信任评分 | 第33页 |
| ·改进的协同过滤推荐算法 | 第33-36页 |
| ·算法基本思想 | 第33-35页 |
| ·用户特征的选取 | 第35-36页 |
| ·计算用户偏好评分 | 第36页 |
| ·用户信任评分和用户偏好评分的融合 | 第36-38页 |
| 第4章 算法实验 | 第38-43页 |
| ·实验数据集 | 第38页 |
| ·实验的评价指标 | 第38-39页 |
| ·实验方案 | 第39-40页 |
| ·实验结果及分析 | 第40-43页 |
| 第5章 总结与展望 | 第43-45页 |
| ·本文工作总结 | 第43-44页 |
| ·今后的工作 | 第44-45页 |
| 参考文献 | 第45-48页 |
| 作者简介及在学期间所取得的科研成果 | 第48-49页 |
| 致谢 | 第49页 |
