融合社交网络的协同过滤推荐算法的研究与应用
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 研究背景与意义 | 第12-14页 |
| 1.2 研究现状 | 第14-17页 |
| 1.2.1 社会化推荐相关技术研究 | 第14页 |
| 1.2.2 协同过滤相关技术研究 | 第14-15页 |
| 1.2.3 目前研究存在的缺陷 | 第15-16页 |
| 1.2.4 目前研究存在的缺陷 | 第16-17页 |
| 1.3 研究内容 | 第17-18页 |
| 1.4 论文组织结构 | 第18-21页 |
| 第2章 相关技术和理论基础 | 第21-31页 |
| 2.1 社交网络 | 第21-23页 |
| 2.1.1 社交网络数据 | 第21-22页 |
| 2.1.2 社交网络数据的长尾分布 | 第22页 |
| 2.1.3 基于社交网络的推荐 | 第22-23页 |
| 2.2 协同过滤推荐 | 第23-25页 |
| 2.2.1 基于内存的推荐方法 | 第23-24页 |
| 2.2.2 基于模型的推荐方法 | 第24-25页 |
| 2.3 Apache Mahout | 第25-30页 |
| 2.3.1 Mahout推荐算法实现库 | 第25-27页 |
| 2.3.2 Mahout的协同过滤推荐机制 | 第27-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 面向大数据的双擎推荐系统框架 | 第31-42页 |
| 3.1 面向大数据的推荐系统研究 | 第31-32页 |
| 3.1.1 大数据发展趋势 | 第31页 |
| 3.1.2 当前的推荐系统新需求 | 第31-32页 |
| 3.2 基于Mahout的大数据推荐双引擎构建 | 第32-36页 |
| 3.2.1 北向适配器 | 第32-33页 |
| 3.2.2 个性化推荐子系统 | 第33-36页 |
| 3.2.3 南向适配器 | 第36页 |
| 3.3 面向大数据的推荐系统框架 | 第36-41页 |
| 3.3.1 系统框架设计 | 第36-38页 |
| 3.3.2 框架总体功能 | 第38-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 融合社交网络多属性的协同过滤推荐算法 | 第42-58页 |
| 4.1 引言 | 第42-43页 |
| 4.2 相关工作 | 第43-44页 |
| 4.3 基于社交网络的多属性协同过滤推荐算法 | 第44-51页 |
| 4.3.1 问题的定义 | 第44-46页 |
| 4.3.2 算法的整体实施 | 第46-50页 |
| 4.3.3 Top-N推荐 | 第50-51页 |
| 4.4 基于社交网络的多属性用户相似度模型 | 第51-57页 |
| 4.4.1 吸引相似度 | 第51-54页 |
| 4.4.2 互动相似度 | 第54-55页 |
| 4.4.3 综合相似度 | 第55-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第5章 实验设计与分析 | 第58-68页 |
| 5.1 实验环境 | 第58页 |
| 5.2 数据集及评价标准 | 第58-60页 |
| 5.2.1 实验数据 | 第58-59页 |
| 5.2.2 实验度量 | 第59-60页 |
| 5.3 实验方案设计 | 第60页 |
| 5.4 实验结果分析 | 第60-64页 |
| 5.5 算法应用研究 | 第64-67页 |
| 5.5.1 系统功能描述 | 第64-65页 |
| 5.5.2 系统效果演示 | 第65-67页 |
| 5.6 本章小结 | 第67-68页 |
| 第6章 结束语 | 第68-70页 |
| 6.1 主要工作与创新点 | 第68-69页 |
| 6.2 后续研究工作 | 第69-70页 |
| 参考文献 | 第70-78页 |
| 致谢 | 第78-79页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第79-80页 |
