| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-13页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 本文主要工作 | 第11-12页 |
| 1.3 本文组织结构 | 第12-13页 |
| 2 推荐技术研究综述 | 第13-22页 |
| 2.1 协同过滤 | 第14-16页 |
| 2.2 基于内容的推荐 | 第16-17页 |
| 2.3 混合型推荐系统 | 第17页 |
| 2.4 标签推荐系统 | 第17-21页 |
| 2.4.1 社会化标签推荐系统 | 第18-19页 |
| 2.4.2 标签推荐系统研究方法 | 第19-20页 |
| 2.4.3 标签推荐系统图模型 | 第20-21页 |
| 2.5 本章总结 | 第21-22页 |
| 3 互联网广告推荐 | 第22-34页 |
| 3.1 广告投放方式 | 第23页 |
| 3.2 广告点击率 | 第23-25页 |
| 3.2.1 点击率预估的方法 | 第24页 |
| 3.2.2 点击率预估的意义 | 第24-25页 |
| 3.3 基于图模型的广告推荐 | 第25-33页 |
| 3.3.1 FolkRank算法 | 第25-29页 |
| 3.3.2 广告推荐的图模型 | 第29-31页 |
| 3.3.3 广告图模型的矩阵表示 | 第31页 |
| 3.3.4 基于FolkRank的广告推荐算法 | 第31-33页 |
| 3.4 本章小结 | 第33-34页 |
| 4 基于标签推荐图模型的方法改进 | 第34-45页 |
| 4.1 广告推荐算法模型改进 | 第34-38页 |
| 4.1.1 相似用户和相似关键词的度量 | 第34-35页 |
| 4.1.2 基于二部图的AdFolkRank改进方法 | 第35-37页 |
| 4.1.3 以广告为中心的AdFolkRank方法改进 | 第37-38页 |
| 4.2 有向加权图中的广告推荐 | 第38-40页 |
| 4.3 基于路径的广告推荐方法 | 第40-43页 |
| 4.3.1 计算Katz分数 | 第41-42页 |
| 4.3.2 基于Katz分数的广告推荐 | 第42-43页 |
| 4.4 本章总结 | 第43-45页 |
| 5 实验结果及分析 | 第45-58页 |
| 5.1 实验平台 | 第45-49页 |
| 5.1.1 数据的读取与表示模块 | 第45-46页 |
| 5.1.2 预测算法模块 | 第46-47页 |
| 5.1.3 评价算法模块 | 第47-49页 |
| 5.2 实验数据 | 第49-50页 |
| 5.3 广告点击率影响因素 | 第50-52页 |
| 5.4 算法实验结果分析 | 第52-56页 |
| 5.5 本章总结 | 第56-58页 |
| 6 总结与展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第64-66页 |
| 学位论文数据集 | 第66页 |