| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 研究背景 | 第13-16页 |
| 1.1.1 推荐系统的相关研究 | 第13-15页 |
| 1.1.2 情境感知推荐方法的相关研究 | 第15-16页 |
| 1.2 研究意义 | 第16-17页 |
| 1.3 本文研究内容和组织结构 | 第17-18页 |
| 1.4 本章小结 | 第18-19页 |
| 第2章 推荐系统的相关理论和算法分析 | 第19-33页 |
| 2.1 推荐系统概念 | 第19-20页 |
| 2.2 基于内容的推荐算法 | 第20-21页 |
| 2.2.1 算法概念 | 第20页 |
| 2.2.2 算法流程 | 第20-21页 |
| 2.2.3 算法优缺点 | 第21页 |
| 2.3 基于协同过滤的推荐算法 | 第21-28页 |
| 2.3.1 基于用户的协同过滤推荐 | 第22-23页 |
| 2.3.2 基于项目的协同过滤推荐 | 第23-24页 |
| 2.3.3 基于模型的协同过滤推荐 | 第24-25页 |
| 2.3.4 算法流程 | 第25-28页 |
| 2.3.5 算法优缺点 | 第28页 |
| 2.4 混合推荐算法 | 第28-30页 |
| 2.5 算法评价指标 | 第30-32页 |
| 2.5.1 预测评价 | 第30-31页 |
| 2.5.2 Top-N推荐评价 | 第31-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第3章 情境感知相关理论及模型构建 | 第33-39页 |
| 3.1 情境感知概念 | 第33-34页 |
| 3.2 情境数据获取 | 第34-35页 |
| 3.3 情境数据处理 | 第35-37页 |
| 3.3.1 缺失值处理 | 第35页 |
| 3.3.2 冗余数据处理 | 第35-37页 |
| 3.3.3 离群点处理 | 第37页 |
| 3.4 情境推荐建模 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 基于K-means的情境聚类服务推荐 | 第39-54页 |
| 4.1 基于K-means的情境聚类推荐 | 第39-45页 |
| 4.1.1 情境计算 | 第39-41页 |
| 4.1.2 情境聚类模型 | 第41-42页 |
| 4.1.3 推荐算法 | 第42-45页 |
| 4.2 基于K-means和时间加权的情境聚类推荐 | 第45-46页 |
| 4.3 算法设计与实验分析 | 第46-52页 |
| 4.3.1 实验环境 | 第46页 |
| 4.3.2 实验数据集 | 第46-48页 |
| 4.3.3 评价指标选择 | 第48页 |
| 4.3.4 实验结果分析 | 第48-52页 |
| 4.4 本章小结 | 第52-54页 |
| 第5章 基于情境感知和神经网络的服务推荐 | 第54-66页 |
| 5.1 基于情境感知和神经网络的推荐 | 第54-55页 |
| 5.2 神经网络模型构建 | 第55-58页 |
| 5.3 基于情境感知和神经网络推荐的算法模型 | 第58-60页 |
| 5.4 算法设计与实验分析 | 第60-65页 |
| 5.4.1 评价指标 | 第60页 |
| 5.4.2 实验结果分析 | 第60-65页 |
| 5.5 本章小结 | 第65-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 附录A 攻读学位期间所发表的学术论文和专利 | 第73-74页 |
| 致谢 | 第74页 |