| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 引言 | 第11-12页 |
| 1 绪论 | 第12-21页 |
| 1.1 研究背景及意义 | 第12-15页 |
| 1.1.1 研究背景 | 第12-14页 |
| 1.1.2 研究意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1 个性化推荐研究 | 第15-16页 |
| 1.2.2 推荐系统面临的挑战 | 第16页 |
| 1.2.3 音乐个性化推荐 | 第16-17页 |
| 1.2.4 音乐本体研究 | 第17-18页 |
| 1.3 论文研究内容及思路 | 第18-19页 |
| 1.3.1 主要研究内容 | 第18页 |
| 1.3.2 研究思路 | 第18-19页 |
| 1.4 论文篇章结构 | 第19-21页 |
| 2 相关理论和技术介绍 | 第21-30页 |
| 2.1 个性化推荐中情境 | 第21-22页 |
| 2.1.1 情境与情境感知 | 第21页 |
| 2.1.2 情境模型与推荐算法融合的策略 | 第21-22页 |
| 2.1.3 融合情境信息的用户兴趣建模方法 | 第22页 |
| 2.2 个性化音乐推荐算法归纳 | 第22-24页 |
| 2.3 张量及推荐研究中基于张量的模型 | 第24-30页 |
| 2.3.1 定义和符号 | 第24-25页 |
| 2.3.2 张量降维技术 | 第25-27页 |
| 2.3.3 推荐研究中张量模型的应用 | 第27-30页 |
| 3 融合中文歌曲的音乐推荐服务型本体（ CHMO）设计 | 第30-45页 |
| 3.1 问题描述 | 第30页 |
| 3.2 音乐本体的构建 | 第30-34页 |
| 3.2.1 音乐对象的确定 | 第30-31页 |
| 3.2.2 音乐本体的构成要素 | 第31-32页 |
| 3.2.3 音乐本体的构建原则 | 第32页 |
| 3.2.4 音乐本体的构建方法 | 第32-34页 |
| 3.3 音乐本体的描述 | 第34-39页 |
| 3.3.1 类间的层次体系 | 第34-35页 |
| 3.3.2 属性及关系 | 第35-37页 |
| 3.3.3 添加标签 | 第37-38页 |
| 3.3.4 生成实例 | 第38-39页 |
| 3.4 基于本体和自定义规则的推理 | 第39-41页 |
| 3.4.1 公理和推理规则的表示 | 第39-40页 |
| 3.4.2 推理工具 | 第40页 |
| 3.4.3 推理流程 | 第40-41页 |
| 3.4.4 推理规则有效性验证 | 第41页 |
| 3.5 音乐本体的完善 | 第41-44页 |
| 3.5.1 类间关系的一致性检测 | 第41-43页 |
| 3.5.2 基于音乐公理的知识一致性分析 | 第43页 |
| 3.5.3 音乐本体实现中的问题及解决 | 第43-44页 |
| 3.6 本章小结 | 第44-45页 |
| 4 基于情境感知的音乐个性化推荐知识建模（ CMR） | 第45-51页 |
| 4.1 用户知识模型 | 第45-46页 |
| 4.2 知识建模思路 | 第46页 |
| 4.3 知识模型的表示 | 第46-47页 |
| 4.4 模型的学习 | 第47-50页 |
| 4.5 本章小结 | 第50-51页 |
| 5 基于本体建模和情境感知的音乐个性化推荐方法研究 | 第51-59页 |
| 5.1 问题描述 | 第51页 |
| 5.2 算法总体设计 | 第51-52页 |
| 5.2.1 算法设计思路 | 第51页 |
| 5.2.2 算法流程分析 | 第51-52页 |
| 5.3 算法实现 | 第52-54页 |
| 5.3.1 计算用户偏好概念相似性 | 第52页 |
| 5.3.2 计算用户背景信息相似性 | 第52-53页 |
| 5.3.3 候选邻居集的生成 | 第53页 |
| 5.3.4 张量分解 | 第53-54页 |
| 5.4 实验结果与分析 | 第54-58页 |
| 5.4.1 数据来源 | 第54-56页 |
| 5.4.2 实验评价标准 | 第56页 |
| 5.4.3 实验结果分析 | 第56-58页 |
| 5.5 本章小结 | 第58-59页 |
| 6 总结与展望 | 第59-61页 |
| 6.1 工作总结 | 第59页 |
| 6.2 工作展望 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 在学研究成果 | 第66-67页 |
| 致谢 | 第67页 |
