| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究背景及其意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 研究内容和方法 | 第10-12页 |
| 1.4 论文的组织结构 | 第12-13页 |
| 2 推荐系统综述与问题分析 | 第13-22页 |
| 2.1 推荐系统概述 | 第13-15页 |
| 2.1.1 推荐系统的背景 | 第13-14页 |
| 2.1.2 推荐系统的作用与价值 | 第14页 |
| 2.1.3 推荐系统的应用情况 | 第14-15页 |
| 2.2 推荐系统的分类 | 第15-19页 |
| 2.2.1 基于内容的推荐 | 第15-17页 |
| 2.2.2 协同过滤推荐 | 第17-18页 |
| 2.2.3 基于知识的推荐 | 第18-19页 |
| 2.2.4 组合推荐 | 第19页 |
| 2.3 推荐系统遇到的问题 | 第19-21页 |
| 2.3.1 稀疏性问题 | 第19-20页 |
| 2.3.2 冷启动问题 | 第20页 |
| 2.3.3 抗攻击性问题 | 第20页 |
| 2.3.4 特征提取问题 | 第20-21页 |
| 2.3.5 其他问题 | 第21页 |
| 2.4 本章小结 | 第21-22页 |
| 3 推荐系统中的TAGIEA专家度模型 | 第22-36页 |
| 3.1 标签和专家度 | 第23-26页 |
| 3.1.1 标签 | 第23-25页 |
| 3.1.2 专家度 | 第25页 |
| 3.1.3 标签与专家度的结合 | 第25-26页 |
| 3.2 专家度的评价因素 | 第26-30页 |
| 3.2.1 受信影响度 | 第26-28页 |
| 3.2.2 评分积极度 | 第28-29页 |
| 3.2.3 标签积极度 | 第29-30页 |
| 3.2.4 评分准确度 | 第30页 |
| 3.3 TAGIEA专家度模型的结构 | 第30-33页 |
| 3.3.1 因素度量层 | 第31-32页 |
| 3.3.2 因素融合层 | 第32页 |
| 3.3.3 专家度影响层 | 第32-33页 |
| 3.4 专家度模型的价值 | 第33-35页 |
| 3.4.1 缓解稀疏性问题 | 第34页 |
| 3.4.2 缓解冷启动问题 | 第34-35页 |
| 3.4.3 缓解抗攻击性问题 | 第35页 |
| 3.5 本章小结 | 第35-36页 |
| 4 基于TAGIEA专家度模型的推荐过程 | 第36-46页 |
| 4.1 推荐过程概述 | 第36-39页 |
| 4.1.1 背景与约定 | 第36-37页 |
| 4.1.2 推荐过程 | 第37-39页 |
| 4.2 通过TAGIEA专家度预测评分并填充评分矩阵 | 第39-42页 |
| 4.2.1 通过专家度来预测评分 | 第40-42页 |
| 4.2.2 填充评分矩阵 | 第42页 |
| 4.3 融合TAGIEA专家度计算用户相似度并预测评分 | 第42-44页 |
| 4.3.1 计算用户相似度 | 第43-44页 |
| 4.3.2 通过相似度来预测评分 | 第44页 |
| 4.4 综合推荐的产生 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 5 实验分析与参考原型 | 第46-58页 |
| 5.1 实验分析 | 第46-51页 |
| 5.1.1 数据集说明 | 第46-47页 |
| 5.1.2 实验方案设计 | 第47-48页 |
| 5.1.3 实验结果分析 | 第48-51页 |
| 5.2 参考原型的设计与实现 | 第51-57页 |
| 5.2.1 功能设计 | 第51-55页 |
| 5.2.2 数据库设计 | 第55页 |
| 5.2.3 技术架构与关键实现 | 第55-57页 |
| 5.3 本章小结 | 第57-58页 |
| 6 总结与展望 | 第58-59页 |
| 6.1 研究总结 | 第58页 |
| 6.2 工作展望 | 第58-59页 |
| 参考文献 | 第59-65页 |
| 攻读学位期间主要研究成果 | 第65-66页 |
| 致谢 | 第66页 |