| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13页 |
| 1.2 国内外研究现状 | 第13-19页 |
| 1.2.1 推荐算法研究现状 | 第13-16页 |
| 1.2.2 实体识别研究现状 | 第16-17页 |
| 1.2.3 关联数据研究现状 | 第17-19页 |
| 1.3 研究线路和创新点 | 第19-22页 |
| 1.3.1 技术路线 | 第19-20页 |
| 1.3.2 研究内容和目的 | 第20页 |
| 1.3.3 论文创新点 | 第20-22页 |
| 第二章 理论基础和相关技术 | 第22-27页 |
| 2.1 个性化推荐系统模型 | 第22页 |
| 2.2 关联数据 | 第22-25页 |
| 2.2.1 关联数据概念和发布原则 | 第22-23页 |
| 2.2.2 关联数据的RDF描述和存储 | 第23-24页 |
| 2.2.3 关联数据的链接类型 | 第24-25页 |
| 2.3 排序学习 | 第25-27页 |
| 第三章 基于关联数据的个性化推荐系统 | 第27-36页 |
| 3.1 基于关联数据的个性化推荐系统框架 | 第27-31页 |
| 3.1.1 数据层 | 第27-29页 |
| 3.1.2 融合层 | 第29-30页 |
| 3.1.3 算法层 | 第30页 |
| 3.1.4 应用层 | 第30-31页 |
| 3.2 与传统推荐系统的异同点 | 第31-32页 |
| 3.3 基于关联数据的个性化推荐系统优点 | 第32-34页 |
| 3.3.1 解决数据稀疏和冷启动问题 | 第32-33页 |
| 3.3.2 实现对用户的跨领域推荐 | 第33页 |
| 3.3.3 深度挖掘用户兴趣 | 第33-34页 |
| 3.4 基于关联数据的个性化推荐系统实现难点 | 第34-36页 |
| 3.4.1 融合层中实体同一性判断的实现 | 第34-35页 |
| 3.4.2 算法层中基于关联数据的个性化推荐方法的实现 | 第35-36页 |
| 第四章 面向关联数据融合的实体同一性判断研究 | 第36-47页 |
| 4.1 关联数据中的实体同一性分析 | 第36-39页 |
| 4.1.1 关联数据中的实体同一性概念 | 第36-37页 |
| 4.1.2 关联数据中的实体同一性类型 | 第37-38页 |
| 4.1.3 关联数据融合中实体同一性判断的本质和核心 | 第38-39页 |
| 4.2 基于属性类型的实体同一性判断方法 | 第39-47页 |
| 4.2.1 属性类型及其重要性判断 | 第39-41页 |
| 4.2.2 基于属性类型的相似度计算方法 | 第41-42页 |
| 4.2.3 基于属性类型的实体同一性判断流程 | 第42-47页 |
| 第五章 基于关联数据的个性化推荐方法研究 | 第47-59页 |
| 5.1 关联发现的目标和本质 | 第47-49页 |
| 5.2 基于三部图路径特征的topN推荐 | 第49-59页 |
| 5.2.1 引入关联数据后的“三部图”路径价值分析 | 第49-54页 |
| 5.2.2 三部图数据模型 | 第54-55页 |
| 5.2.3 三部图路径和性质特征的提取 | 第55-57页 |
| 5.2.4 评分特征的提取 | 第57页 |
| 5.2.5 特征排序学习 | 第57-59页 |
| 第六章 实验分析 | 第59-70页 |
| 6.1 实验数据 | 第59-61页 |
| 6.2 评价标准 | 第61-62页 |
| 6.2.1 实体同一性识别评价标准 | 第61页 |
| 6.2.2 推荐系统性能评价标准 | 第61-62页 |
| 6.3 实验结果和分析 | 第62-70页 |
| 6.3.1 实体同一性判断的结果和分析 | 第62-66页 |
| 6.3.2 基于三部图路径特征的topN推荐结果和分析 | 第66-70页 |
| 结论与展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间取得的研究成果 | 第76-77页 |
| 致谢 | 第77-78页 |
| 附件 | 第78页 |
