| 摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 符号说明 | 第14-15页 |
| 第1章 绪论 | 第15-21页 |
| 1.1 论文选题背景 | 第15页 |
| 1.2 国内外研究现状 | 第15-19页 |
| 1.2.1 推荐系统研究现状 | 第15-17页 |
| 1.2.2 社交网络好友推荐研究现状 | 第17-19页 |
| 1.3 研究内容及创新点 | 第19页 |
| 1.4 论文结构安排 | 第19-20页 |
| 1.5 本章小结 | 第20-21页 |
| 第2章 协同过滤推荐算法研究及相关理论方法 | 第21-30页 |
| 2.1 基于记忆的协同过滤算法 | 第21-24页 |
| 2.1.1 基于项目的协同过滤算法 | 第22-24页 |
| 2.1.2 基于用户的协同过滤算法 | 第24页 |
| 2.2 基于模型的协同过滤推荐算法 | 第24-27页 |
| 2.2.1 SVD算法 | 第24-25页 |
| 2.2.2 隐语义模型 | 第25-26页 |
| 2.2.3 加入偏置项的隐语义模型 | 第26页 |
| 2.2.4 SVD++算法 | 第26-27页 |
| 2.3 协同过滤算法对比以及面临的挑战 | 第27-28页 |
| 2.3.1 不同算法优缺点对比 | 第27页 |
| 2.3.2 算法面临的挑战 | 第27-28页 |
| 2.4 评价标准 | 第28-29页 |
| 2.4.1 Top-N推荐问题 | 第28-29页 |
| 2.4.2 评分预测问题 | 第29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于社交网络的个性化微博关注推荐系统总体框架 | 第30-43页 |
| 3.1 微博社交网络介绍 | 第30-33页 |
| 3.1.1 微博数据集介绍 | 第30-31页 |
| 3.1.2 相关定义 | 第31页 |
| 3.1.3 数据分析 | 第31-33页 |
| 3.1.4 微博推荐的难点 | 第33页 |
| 3.2 系统需求分析 | 第33-34页 |
| 3.3 系统总体框架 | 第34-41页 |
| 3.3.1 分布式环境 | 第35-37页 |
| 3.3.2 算法库 | 第37-39页 |
| 3.3.3 数据预处理 | 第39-40页 |
| 3.3.4 数据存储 | 第40-41页 |
| 3.4 本章小结 | 第41-43页 |
| 第4章 基于社交相似度的微博关注Top-N推荐 | 第43-55页 |
| 4.1 微博推荐概述与相关术语定义 | 第43-44页 |
| 4.2 算法基本原理 | 第44-49页 |
| 4.2.1 基于评分关系的相似度计算 | 第44-46页 |
| 4.2.2 基于社交关系的相似度计算 | 第46-47页 |
| 4.2.3 基于社交行为的相似度计算 | 第47-49页 |
| 4.3 基于MapReduce实现算法并行化 | 第49-51页 |
| 4.4 实验结果与分析 | 第51-54页 |
| 4.4.1 数据集介绍 | 第51页 |
| 4.4.2 实验结果 | 第51-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 融合社交信任和隐语义模型的微博关注推荐 | 第55-65页 |
| 5.1 问题定义 | 第55页 |
| 5.2 信任定义与度量 | 第55-58页 |
| 5.2.1 显式信任关系 | 第56-57页 |
| 5.2.2 隐式信任关系 | 第57-58页 |
| 5.2.3 扩展信任矩阵 | 第58页 |
| 5.3 模型构建 | 第58-60页 |
| 5.3.1 分解用户评分矩阵 | 第58-59页 |
| 5.3.2 分解用户信任矩阵 | 第59页 |
| 5.3.3 融入扩展信任矩阵的SVD++模型 | 第59-60页 |
| 5.4 实验结果 | 第60-64页 |
| 5.4.1 数据预处理 | 第60-61页 |
| 5.4.2 评价标准 | 第61页 |
| 5.4.3 实验结果和分析 | 第61-64页 |
| 5.5 本章小结 | 第64-65页 |
| 第6章 总结和展望 | 第65-67页 |
| 6.1 总结 | 第65-66页 |
| 6.2 展望 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 致谢 | 第73-74页 |
| 攻读硕士期间取得的成果和参与的项目 | 第74-75页 |
| 附件 | 第75页 |