| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景与现状 | 第11-13页 |
| 1.1.1 Web服务推荐的研究背景 | 第11页 |
| 1.1.2 推荐系统的研究现状 | 第11-12页 |
| 1.1.3 Web服务推荐的研究现状 | 第12-13页 |
| 1.2 主要研究内容和目的 | 第13-14页 |
| 1.3 论文组织与结构 | 第14-16页 |
| 第2章 Web服务推荐综述 | 第16-28页 |
| 2.1 Web服务技术 | 第16-19页 |
| 2.1.1 Web服务的定义 | 第16页 |
| 2.1.2 Web服务体系结构 | 第16-17页 |
| 2.1.3 Web服务的特点 | 第17-18页 |
| 2.1.4 Web服务的非功能属性 | 第18-19页 |
| 2.2 协同过滤算法综述 | 第19-26页 |
| 2.2.1 基于近邻的协同过滤算法 | 第21-25页 |
| 2.2.1.1 基于用户的协同过滤算法 | 第21-24页 |
| 2.2.1.2 基于物品的协同过滤算法 | 第24-25页 |
| 2.2.2 基于模型的协同过滤算法 | 第25-26页 |
| 2.3 本章总结 | 第26-28页 |
| 第3章 基于高斯贝叶斯的网络服务推荐算法 | 第28-41页 |
| 3.1 动机场景 | 第28-29页 |
| 3.2 基于高斯贝叶斯的网络服务推荐算法框架 | 第29-30页 |
| 3.3 基于高斯贝叶斯过滤与协同过滤的QoS预测算法 | 第30-35页 |
| 3.3.1 问题定义 | 第30-31页 |
| 3.3.2 高斯贝叶斯过滤模型 | 第31-33页 |
| 3.3.2.1 特征提取 | 第31页 |
| 3.3.2.2 类别划分 | 第31页 |
| 3.3.2.3 高斯朴素贝叶斯概率分类器 | 第31-32页 |
| 3.3.2.4 分类器的输出 | 第32-33页 |
| 3.3.3 基于高斯贝叶斯过滤结果的协同过滤模型 | 第33-35页 |
| 3.3.3.1 协同过滤算法 | 第33-34页 |
| 3.3.3.2 考虑高斯朴素贝叶斯分类结果的改进协同过滤算法 | 第34-35页 |
| 3.3.3.3 聚合算法 | 第35页 |
| 3.4 实验结果与分析 | 第35-39页 |
| 3.4.1 实验数据集 | 第35页 |
| 3.4.2 评估标准 | 第35页 |
| 3.4.3 实验设置 | 第35-36页 |
| 3.4.4 性能对比 | 第36-37页 |
| 3.4.5 高斯贝叶斯分类准确率分析 | 第37页 |
| 3.4.6 参数α的敏感性分析 | 第37-38页 |
| 3.4.7 参数topKUser的敏感性分析 | 第38-39页 |
| 3.4.8 参数topKWs的敏感性分析 | 第39页 |
| 3.5 本章总结 | 第39-41页 |
| 第4章 基于集成学习的网络服务推荐方法 | 第41-54页 |
| 4.1 动机场景 | 第41-42页 |
| 4.2 基于集成学习的缺失服务质量值预测算法框架 | 第42页 |
| 4.3 基于AdaBoost与概率近邻模型结合的服务质量值预测算法 | 第42-49页 |
| 4.3.1 相似用户邻居选择 | 第42-44页 |
| 4.3.1.1 基于平均欧式距离的相似用户选择 | 第42-43页 |
| 4.3.1.2 基于DBSCAN共现矩阵的相似用户选择 | 第43-44页 |
| 4.3.2 AdaBoost概率分类器 | 第44-47页 |
| 4.3.2.1 类别划分 | 第45页 |
| 4.3.2.2 特征提取：频次矩阵 | 第45-46页 |
| 4.3.2.3 AdaBoost概率分类器 | 第46-47页 |
| 4.3.2.4 分类结果输出 | 第47页 |
| 4.3.3 概率近邻模型 | 第47-48页 |
| 4.3.3.1 基于用户的协同过滤算法 | 第47-48页 |
| 4.3.3.2 基于概率分布的协同过滤算法 | 第48页 |
| 4.3.4 聚合模型 | 第48-49页 |
| 4.4 实验结果与分析 | 第49-53页 |
| 4.4.1 实验数据集 | 第49页 |
| 4.4.2 实验评估 | 第49页 |
| 4.4.3 实验设置 | 第49-50页 |
| 4.4.4 性能对比 | 第50-51页 |
| 4.4.5 预测准确度分析 | 第51页 |
| 4.4.6 参数α的敏感性分析 | 第51-52页 |
| 4.4.7 参数用户近邻数topKUser的敏感性分析 | 第52-53页 |
| 4.5 本章总结 | 第53-54页 |
| 第5章 总结与展望 | 第54-56页 |
| 5.1 工作总结 | 第54-55页 |
| 5.2 研究展望 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 附录 | 第62-63页 |
| 中文详细摘要 | 第63-66页 |
