论文目录 | |
| 摘要 | 第10-12页 |
| Abstract | 第12-15页 |
| 第一章 绪论 | 第15-49页 |
| · 研究背景及意义 | 第15-17页 |
| · 研究背景 | 第15-16页 |
| · 研究意义 | 第16-17页 |
| · 个性化信息推荐技术概述 | 第17-30页 |
| · 信息获取的主要方式 | 第17-27页 |
| · 个性化信息推荐的基本问题 | 第27-28页 |
| · 个性化信息推荐技术的发展 | 第28-29页 |
| · 面临的问题 | 第29-30页 |
| · 个性化信息推荐技术研究现状 | 第30-42页 |
| · 相关推荐算法 | 第30-34页 |
| · 有关数据稀疏性问题的相关研究 | 第34-39页 |
| · 可扩展性问题研究现状 | 第39-42页 |
| · 本文的研究工作 | 第42-46页 |
| · 论文结构 | 第46-49页 |
| 第二章 个性化信息推荐中的评分预测和top-n推荐 | 第49-66页 |
| · 基于协同过滤算法的评分预测 | 第49-57页 |
| · 评分预测问题 | 第49-51页 |
| · 协同过滤推荐算法 | 第51-54页 |
| · 数据集及评价标准 | 第54-56页 |
| · 相关研究及问题 | 第56-57页 |
| · 基于二分网络资源投射算法的top-n推荐 | 第57-65页 |
| · top-n推荐问题 | 第57-59页 |
| · 二分网络资源投射算法 | 第59-62页 |
| · 评价标准 | 第62-63页 |
| · 相关研究及问题 | 第63-65页 |
| · 本章总结 | 第65-66页 |
| 第三章 基于绝对相似度与跨维度填补的协同过滤算法研究 | 第66-86页 |
| · 数据稀疏性对协同过滤算法的影响 | 第66-67页 |
| · 基于绝对相似度度量的参考用户集选择 | 第67-69页 |
| · 基于缺失参考评分跨维度填补的预测评分生成 | 第69-73页 |
| · 所提算法 | 第73-74页 |
| · 实验研究 | 第74-75页 |
| · 实验数据 | 第74页 |
| · 评价指标 | 第74-75页 |
| · 实验设定 | 第75页 |
| · 实验对比 | 第75-85页 |
| · 基于绝对相似度的参考用户选择方法的作用 | 第75-77页 |
| · 基于跨维度填补缺失参考评分的评分生成对协同过滤算法的作用 | 第77-79页 |
| · 与传统协同过滤算法的比较 | 第79-80页 |
| · 与基于评分均值的空值填补协同过滤算法的比较 | 第80-83页 |
| · 与基于绝对相似度和维度内填补的协同过滤算法的比较 | 第83-84页 |
| · 与其他协同过滤算法的比较 | 第84-85页 |
| · 本章总结 | 第85-86页 |
| 第四章 负兴趣感知和评分敏感的二分网络资源投射算法研究 | 第86-104页 |
| · 引言 | 第86-87页 |
| · 负兴趣感知的用户兴趣模型 | 第87-90页 |
| · 负兴趣的引入 | 第87-89页 |
| · 贴合用户评分习惯的兴趣划分标准 | 第89-90页 |
| · 评分敏感的资源初始化 | 第90-91页 |
| · 评分敏感的资源转移 | 第91-94页 |
| · 所提算法 | 第94-95页 |
| · 实验对比 | 第95-103页 |
| · 实验数据和评价指标 | 第95-97页 |
| · 试验设定 | 第97页 |
| · 实验结果及分析 | 第97-103页 |
| · 本章总结 | 第103-104页 |
| 第五章 二分网络上无偏温差传导和有偏温度恒定的评分预测算法 | 第104-130页 |
| · 引言 | 第104-108页 |
| · 相关研究 | 第108-114页 |
| · 基于物质扩散的方法 | 第108-112页 |
| · 基于热传导的方法 | 第112-114页 |
| · 基于差均值传播的无偏温差传导算法 | 第114-121页 |
| · 温差传导方法 | 第114-116页 |
| · 无偏的温差传导方法 | 第116-117页 |
| · 基于无偏温差传导的温度恒定过程 | 第117-119页 |
| · 基于无偏温差传导的有偏温度恒定过程 | 第119-121页 |
| · 实验 | 第121-129页 |
| · 实验数据 | 第121-126页 |
| · 所提算法的有效性验证 | 第126-127页 |
| · 所提算法的性能验证 | 第127-129页 |
| · 本章小结 | 第129-130页 |
| 第六章 基于Map Reduce的并行推荐算法研究 | 第130-143页 |
| · 引言 | 第130-131页 |
| · Map Reduce的简要介绍 | 第131页 |
| · 基于Map Reduce的二分图网络资源投射top-n推荐算法 | 第131-136页 |
| · 问题描述与算法过程 | 第131-132页 |
| · Mapreduce任务描述 | 第132-134页 |
| · 算法执行效率验证 | 第134-136页 |
| · 基于Map Reduce的二分网络温差传导评分预测算法 | 第136-141页 |
| · 问题描述与算法过程 | 第136-137页 |
| · Mapreduce任务描述 | 第137-139页 |
| · 算法执行效率验证 | 第139-141页 |
| · 本章总结 | 第141-143页 |
| 第七章 结论与展望 | 第143-147页 |
| · 论文的主要工作与贡献 | 第143-145页 |
| · 下一步研究工作展望 | 第145-147页 |
| 致谢 | 第147-149页 |
| 参考文献 | 第149-160页 |
| 作者在学期间取得的学术成果 | 第160-161页 |
| 作者在学期间参与的科研项目 | 第161页 |
