| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景及研究意义 | 第12-13页 |
| 1.2 研究现状 | 第13-16页 |
| 1.2.1 多标签分类算法研究现状 | 第13-15页 |
| 1.2.2 多标签分类算法在推荐系统中的应用研究现状 | 第15-16页 |
| 1.3 研究的主要内容 | 第16页 |
| 1.4 论文的组织结构 | 第16-18页 |
| 第二章 相关概念及技术 | 第18-26页 |
| 2.1 多标签分类问题简介 | 第18-23页 |
| 2.1.1 多标签分类的定义 | 第18-19页 |
| 2.1.2 Binary Relevance (BR)算法简介 | 第19-20页 |
| 2.1.3 Label Powerset (LP)算法简介 | 第20页 |
| 2.1.4 Random k-labelsets (RAkEL)算法简介 | 第20-22页 |
| 2.1.5 多标签分类算法评价指标 | 第22-23页 |
| 2.2 多标签分类算法在推荐系统中的应用相关技术 | 第23-25页 |
| 2.2.1 情境推荐问题的定义 | 第23-24页 |
| 2.2.2 情境推荐问题的基本算法框架 | 第24-25页 |
| 2.2.3 情境推荐算法的性能评测问题 | 第25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 基于标签相关性的加权多标签分类算法 | 第26-37页 |
| 3.1 LCWkEL多标签分类算法 | 第26-32页 |
| 3.1.1 基于标签相关性的k-Labelsets选择 | 第27-28页 |
| 3.1.2 训练集的权重系数矩阵计算 | 第28-30页 |
| 3.1.3 测试实例的多标签分类结果预测 | 第30-32页 |
| 3.2 实验结果及分析 | 第32-36页 |
| 3.2.1 实验数据集 | 第32-33页 |
| 3.2.2 评测指标和对比方法 | 第33-34页 |
| 3.2.3 实验结果分析 | 第34-35页 |
| 3.2.4 参数k的影响 | 第35-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第四章 基于多标签分类算法的情境推荐 | 第37-48页 |
| 4.1 引言 | 第37页 |
| 4.2 问题转化 | 第37-38页 |
| 4.3 基于多标签分类算法的情境推荐验证 | 第38-43页 |
| 4.3.1 数据准备 | 第39-40页 |
| 4.3.2 对比算法与评测指标 | 第40-42页 |
| 4.3.3 实验结果与分析 | 第42-43页 |
| 4.4 基于BR算法的情境推荐改进 | 第43-46页 |
| 4.4.1 具体方法与实现 | 第43-44页 |
| 4.4.2 实验 | 第44-46页 |
| 4.5 本章小结 | 第46-48页 |
| 第五章 结论与展望 | 第48-51页 |
| 5.1 本文方法总结 | 第48-49页 |
| 5.2 展望 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55-56页 |
| 攻读学位期间发表的学术论文目录 | 第56-57页 |
| 攻读学位期间参加的科研项目 | 第57-58页 |
| 附件 | 第58页 |
