| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 论文研究背景与意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8页 |
| 1.1.2 研究意义 | 第8-9页 |
| 1.2 推荐系统国内外研究现状 | 第9-11页 |
| 1.3 论文研究内容 | 第11-12页 |
| 1.4 论文结构 | 第12-13页 |
| 2 相关理论及关键技术 | 第13-22页 |
| 2.1 推荐系统概述 | 第13-14页 |
| 2.2 主要的推荐技术 | 第14-18页 |
| 2.2.1 基于内容的推荐技术 | 第14-15页 |
| 2.2.2 基本规则的推荐技术 | 第15-16页 |
| 2.2.3 基于协同过滤推荐技术 | 第16-18页 |
| 2.3 社交网络的相关理论 | 第18-21页 |
| 2.3.1 社交网络概述 | 第18-20页 |
| 2.3.2 社交网络的理论基础 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 3 协同过滤推荐算法与 SimRank 算法 | 第22-32页 |
| 3.1 基于协同过滤推荐算法 | 第22-27页 |
| 3.1.1 基于用户（User-based）的协同过滤算法 | 第22-25页 |
| 3.1.2 基于项目（Item-based）的协同过滤算法 | 第25-26页 |
| 3.1.3 基于模型（Model-based）的协同过滤算法 | 第26页 |
| 3.1.4 协同过滤算法分析 | 第26-27页 |
| 3.2 SimRank 算法 | 第27-30页 |
| 3.2.1 SimRank 概述 | 第27页 |
| 3.2.2 SimRank 原理与扩展 | 第27-29页 |
| 3.2.3 SimRank 的计算 | 第29-30页 |
| 3.2.4 计算分析及优化 | 第30页 |
| 3.3 SimRank 与协同过滤算法 | 第30页 |
| 3.4 本章小结 | 第30-32页 |
| 4 基于社交用户标签的混合推荐研究 | 第32-40页 |
| 4.1 方法的提出 | 第32-33页 |
| 4.2 基于社交用户标签的混合推荐方法的思想和流程 | 第33-34页 |
| 4.3 基于用户的协同过滤的推荐 | 第34页 |
| 4.4 基于社交用户标签的推荐 | 第34-38页 |
| 4.4.1 相关定义 | 第35页 |
| 4.4.2 构建用户信任集合 | 第35-36页 |
| 4.4.3 用户个性化标签整理与扩展 | 第36页 |
| 4.4.4 计算用户近相似邻集 | 第36-37页 |
| 4.4.5 计算预测评分 | 第37-38页 |
| 4.5 基于两种方法的混合推荐 | 第38-39页 |
| 4.5.1 两种推荐方法混合思想 | 第38-39页 |
| 4.5.2 混合方法 | 第39页 |
| 4.6 本章小结 | 第39-40页 |
| 5 实验及结果分析 | 第40-49页 |
| 5.1 实验环境及数据集 | 第40页 |
| 5.2 实验评估指标 | 第40-42页 |
| 5.2.1 准确率和召回率 | 第41页 |
| 5.2.2 覆盖率 | 第41-42页 |
| 5.3 实验设计 | 第42页 |
| 5.4 实验结果分析 | 第42-48页 |
| 5.4.1 准确率和召回率的比较 | 第42-47页 |
| 5.4.2 覆盖率的比较 | 第47-48页 |
| 5.5 本章小结 | 第48-49页 |
| 6 总结与展望 | 第49-51页 |
| 6.1 全文总结 | 第49页 |
| 6.2 下一步工作展望 | 第49-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 附录 | 第56页 |
| A. 作者在攻读硕士学位期间发表的论文目录 | 第56页 |
