| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 研究背景与意义 | 第13-15页 |
| 1.1.1 选题背景 | 第13-14页 |
| 1.1.2 选题意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.2.1 国外研究现状 | 第15-16页 |
| 1.2.2 国内研究现状 | 第16-17页 |
| 1.3 研究路线 | 第17-18页 |
| 1.4 本文研究内容 | 第18-19页 |
| 1.5 本文章节安排 | 第19-20页 |
| 第2章 个性化推荐方法与技术 | 第20-35页 |
| 2.1 数据挖掘与个性化推荐技术概论 | 第20-21页 |
| 2.2 推荐引擎工作原理 | 第21-22页 |
| 2.3 推荐系统的分类 | 第22-27页 |
| 2.3.1 基于内容的推荐 | 第23-24页 |
| 2.3.2 基于协同过滤的推荐 | 第24-25页 |
| 2.3.3 混合推荐算法 | 第25-26页 |
| 2.3.4 主要推荐算法比较 | 第26-27页 |
| 2.4 协同过滤推荐算法及评价标准 | 第27-33页 |
| 2.4.1 常见相似度定义及其计算方法 | 第27-28页 |
| 2.4.2 基于项目的协同过滤推荐算法 | 第28-29页 |
| 2.4.3 基于用户的协同过滤推荐算法 | 第29-30页 |
| 2.4.4 评价标准 | 第30-33页 |
| 2.5 个性化推荐面对的问题和挑战 | 第33-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第3章 社交网络中推荐技术的应用 | 第35-49页 |
| 3.1 社交网络的特性 | 第35-36页 |
| 3.2 用户信息数据的分析 | 第36-41页 |
| 3.2.1 用户注册基本信息 | 第37-38页 |
| 3.2.2 用户标签信息 | 第38-39页 |
| 3.2.3 用户位置信息 | 第39页 |
| 3.2.4 用户行为信息 | 第39-41页 |
| 3.3 社交网络中的个性化推荐 | 第41-47页 |
| 3.3.1 推荐引擎架构 | 第41-42页 |
| 3.3.2 基于领域的社会化推荐 | 第42-43页 |
| 3.3.3 基于信息流的推荐 | 第43-45页 |
| 3.3.4 基于社交网络图谱的推荐 | 第45-47页 |
| 3.4 常用算法的比较 | 第47-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第4章 基于用户相似度的协同过滤推荐算法 | 第49-57页 |
| 4.1 算法设计的依据 | 第49-50页 |
| 4.2 用户相似度及其描述 | 第50-53页 |
| 4.2.1 用户属性相似度 | 第50-51页 |
| 4.2.2 用户互动相似度 | 第51-53页 |
| 4.3 用户相似度的计算 | 第53页 |
| 4.4 推荐集产生过程及算法复杂度分析 | 第53-56页 |
| 4.4.1 推荐集产生过程 | 第53-54页 |
| 4.4.2 算法复杂度分析 | 第54-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第5章 仿真实验及结果分析 | 第57-64页 |
| 5.1 仿真实验环境及实验数据 | 第57-58页 |
| 5.1.1 实验环境配置 | 第57页 |
| 5.1.2 Apache Mahout开源平台简介 | 第57-58页 |
| 5.2 实验数据获取 | 第58-59页 |
| 5.3 实验结果分析 | 第59-63页 |
| 5.3.1 评价标准 | 第59-60页 |
| 5.3.2 权重系数的确定 | 第60-62页 |
| 5.3.3 基线成功率比较 | 第62-63页 |
| 5.4 成功率、召回率、覆盖率比较 | 第63页 |
| 5.5 本章小结 | 第63-64页 |
| 结论与展望 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 致谢 | 第71-73页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第73-74页 |
| 附录B 攻读学位期间所参与的主要项目 | 第74页 |