| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 引言 | 第8-13页 |
| 1.1 课题研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 论文主要内容及结构 | 第11-13页 |
| 第2章 相关推荐算法 | 第13-22页 |
| 2.1 传统个性化推荐算法 | 第13-14页 |
| 2.1.1 基于知识的推荐算法 | 第13页 |
| 2.1.2 基于内容的推荐算法 | 第13-14页 |
| 2.1.3 混合推荐算法 | 第14页 |
| 2.2 传统协同过滤推荐算法 | 第14-18页 |
| 2.2.1 基于用户的协同过滤推荐算法 | 第14-15页 |
| 2.2.2 基于物品的协同过滤推荐算法 | 第15-18页 |
| 2.3 基于信任关系的协同过滤推荐算法 | 第18-19页 |
| 2.3.1 TidalTrust算法 | 第18页 |
| 2.3.2 MoleTrust算法 | 第18-19页 |
| 2.4 推荐系统研究的问题及评价指标 | 第19-21页 |
| 2.4.1 推荐系统研究的问题 | 第19页 |
| 2.4.2 评价指标 | 第19-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第3章 基于信任关系的协同过滤推荐改进算法 | 第22-32页 |
| 3.1 初始社会信任网络的建立 | 第22-23页 |
| 3.1.1 信任 | 第22页 |
| 3.1.2 社会信任网络 | 第22-23页 |
| 3.2 社会信任网络中信任度评估 | 第23-28页 |
| 3.2.1 直接信任度 | 第23-24页 |
| 3.2.2 间接信任度 | 第24-27页 |
| 3.2.3 小结 | 第27-28页 |
| 3.3 社会信任网络中信任度补充 | 第28-29页 |
| 3.3.1 挖掘潜在信任度 | 第28-29页 |
| 3.3.2 合成原有信任度和潜在信任度 | 第29页 |
| 3.4 评分预测模型 | 第29-31页 |
| 3.4.1 模型思想 | 第29-30页 |
| 3.4.2 模型步骤 | 第30-31页 |
| 3.5 TCF算法流程图 | 第31页 |
| 3.6 本章小结 | 第31-32页 |
| 第4章 融合相似用户和信任关系的动态反馈协同过滤推荐算法 | 第32-37页 |
| 4.1 DUTCF算法思想 | 第32页 |
| 4.2 DUTCF算法过程 | 第32-35页 |
| 4.3 DUTCF算法代码描述 | 第35-36页 |
| 4.4 本章小结 | 第36-37页 |
| 第5章 实验设计和结果分析 | 第37-49页 |
| 5.1 实验数据集 | 第37页 |
| 5.2 实验评价指标 | 第37页 |
| 5.3 实验环境及验证方法 | 第37-38页 |
| 5.4 实验结果和对比分析 | 第38-47页 |
| 5.4.1 TCF和UCF算法比较 | 第38-40页 |
| 5.4.2 TCF和TidalTrust、MoleTrust算法比较 | 第40-43页 |
| 5.4.3 DUTCF和UCF、TCF算法比较 | 第43-47页 |
| 5.5 本章小结 | 第47-49页 |
| 结论与展望 | 第49-51页 |
| 参考文献 | 第51-54页 |
| 致谢 | 第54-55页 |
| 个人简历 | 第55-56页 |
| 在学期间的研究成果及发表的学术论文 | 第56页 |