第1部分 基础知识 3
第1章 绪论 3
1.1 研究背景 3
1.1.1 推荐系统的发展现状及特征分析 3
1.1.2 推荐系统的国内外研究现状 7
1.2 相关理论基础 10
1.2.1 复杂网络理论基础 10
1.2.2 链路预测理论 13
1.2.3 基于链路预测的协同推荐理论 13
1.3 复杂网络下基于链路预测推荐所面临的问题及研究意义 14
1.3.1 面临的问题 14
1.3.2 研究意义 17
1.4 研究思路 17
1.5 本书的主要内容 18
本章参考文献 21
第2部分 复杂网络上的链路预测方法 29
第2章 网络分析软件Pajek 29
2.1 Pajek软件介绍 29
2.1.1 高速计算 30
2.1.2 可视化 30
2.1.3 抽象化 30
2.2 Pajek软件使用基础 30
2.3 Pajek软件分析网络属性 32
2.3.1 度的计算 33
2.3.2 两点间的距离 33
2.3.3 k近邻 34
2.3.4 聚类系数 35
2.4 Pajek软件抽取极大连通子图 36
2.5 Pajek软件网络画图 36
2.5.1 绘制复杂网络图 36
2.5.2 绘制不同类节点的复杂网络图 37
2.5.3 绘制不同大小节点的复杂网络图 38
2.5.4 绘制不同权值边的复杂网络图 38
2.6 网络文件.net简介 38
2.6.1 Pajek网络文件的一般结构 39
2.6.2 具体参数的意义和取值 39
2.6.3 文件举例 41
2.7 本章小结 43
本章参考文献 44
第3章 基于相似性的链路预测研究 45
3.1 链路预测的研究方法 45
3.2 链路预测的典型研究成果 45
3.3 链路预测的实验数据 46
3.4 链路预测的实验方法 47
3.4.1 数据集划分方法 47
3.4.2 链路预测的度量指标 47
3.5 链路预测重要代码讲解 48
3.5.1 数据集划分代码讲解 48
3.5.2 关键测试指标代码讲解 51
3.6 基于拓扑相似性链路预测的思考 53
3.7 本章小结 53
本章参考文献 53
第4章 基于弱关系的链路预测算法 56
4.1 研究背景 56
4.2 问题描述 56
4.3 基于弱关系的优化链路预测模型 57
4.3.1 CN算法、AA算法和RA算法介绍 57
4.3.2 改进优化算法模型 58
4.4 实验结果与分析 59
4.4.1 数据集 59
4.4.2 度量指标 60
4.4.3 结果与分析 60
4.5 本章小结 63
4.6 研究思考 64
本章参考文献 64
第5章 基于路径异构性的链路预测算法 66
5.1 研究背景 66
5.2 问题描述 67
5.3 基于路径异构性的链路预测建模 67
5.3.1 SP模型 68
5.3.2 对比算法 69
5.4 实验结果与分析 70
5.4.1 数据集 70
5.4.2 评估准则 71
5.4.3 结果与分析 71
5.5 本章小结 74
5.6 研究思考 74
本章参考文献 75
第6章 基于端点影响力的链路预测算法 80
6.1 研究背景 80
6.2 问题描述 81
6.3 基于端点影响力建立链路预测模型 82
6.3.1 EP模型 82
6.3.2 对比算法 83
6.4 实验结果与分析 84
6.4.1 数据集 84
6.4.2 评估准则 86
6.4.3 结果与分析 86
6.5 本章小结 90
6.6 研究思考 91
本章参考文献 91
第3部分 基于链路预测的推荐算法研究 99
第7章 推荐模型的研究方法 99
7.1 推荐模型常见研究方法 99
7.2 基于链路预测的推荐模型研究方法 100
7.3 推荐技术的典型研究成果 101
7.4 推荐技术的研究数据介绍 101
7.5 推荐实验方法 102
7.5.1 数据集划分方法 102
7.5.2 推荐算法的度量指标 102
7.6 推荐算法重要代码讲解 104
7.6.1 数据集划分代码讲解 105
7.6.2 推荐算法关键指标代码讲解 108
7.7 基于二部图推荐算法的研究思路 111
7.8 本章小结 112
本章参考文献 112
第8章 基于修正相似性的协作推荐算法 114
8.1 研究背景 114
8.2 问题描述 115
8.3 基于修正相似性的推荐算法CSI 116
8.3.1 基于二部图网络的经典相似性算法 117
8.3.2 相似性修正模型CSI 117
8.3.3 对比算法 118
8.4 实验结果与分析 119
8.4.1 数据集 120
8.4.2 评价准则 120
8.4.3 结果与分析 122
8.5 本章小结 125
8.6 研究思考 126
本章参考文献 126
第9章 基于一致性的协作推荐算法 131
9.1 研究背景 131
9.2 问题描述 132
9.3 基于一致性的推荐算法CBI 133
9.3.1 基于网络的因果性推荐算法NBI 134
9.3.2 基于一致性的推荐算法CBI和UCBI 134
9.3.3 对比算法 135
9.4 实验结果与分析 136
9.4.1 数据集 137
9.4.2 评价准则 137
9.4.3 结果与分析 139
9.5 本章小结 143
9.6 研究思考 144
本章参考文献 144
第10章 基于一致性冗余删除的协作推荐算法 148
10.1 研究背景 148
10.2 问题描述 148
10.3 修正冗余删除推荐算法 149
10.3.1 相似性估计偏差现象 149
10.3.2 相似性冗余问题 150
10.3.3 修正冗余删除相似性指标CRE 150
10.3.4 对比算法 151
10.4 实验结果与分析 153
10.4.1 数据集 153
10.4.2 评价准则 154
10.4.3 结果与分析 156
10.5 本章小结 160
10.6 研究思考 161
本章参考文献 161
第11章 一致性下基于惩罚过度扩散的推荐算法 165
11.1 研究背景 165
11.2 问题描述 166
11.3 对称和过度扩散惩罚算法模型 166
11.3.1 非对称扩散问题 167
11.3.2 扩散冗余问题 168
11.3.3 基于对称的过度扩散惩罚模型 169
11.3.4 对比算法 170
11.4 实验结果与分析 172
11.4.1 数据集 172
11.4.2 评价准则 172
11.4.3 结果与分析 174
11.5 本章小结 178
11.6 研究思考 178
本章参考文献 179
第4部分 总结与未来展望 185
第12章 总结和展望 185
12.1 总结 185
12.2 未来研究展望 188