摘要3-5
ABSTRACT5-11
1 绪论11-29
1.1 探讨背景与作用12-16
1.2 国内外探讨近况16-21
1.3 探讨内容和目的21-25
1.3.1 探讨内容21-23
1.3.2 探讨目的和革新点23-25
1.4 本论文探讨内容的系统框架25-26
1.5 论文的组织结构26-29
2 Web 怎么写作与个性化推荐技术综述29-49
2.1 Web 怎么写作关键技术29-38
2.1.1 Web 怎么写作架构29-30
2.1.2 Web 怎么写作面对的技术挑战30-32
2.1.3 基于 QoS 的关键技术探讨方向32-38
2.2 个性化推荐技术综述38-48
2.2.1 个性化推荐系统38-47
2.2.2 优缺点及解决案例47-48
2.3 本章小结48-49
3 面向怎么写作相异性的 Web 怎么写作推荐49-67
3.1 不足的提出49-50
3.2 推荐系统的构建50-51
3.3 面向怎么写作相异性的推荐算法51-52
3.3.1 相异性计算51-52
3.3.2 QoS 缺省值预测52
3.3.3 Web 怎么写作推荐52
3.4 实验历程与结果浅析52-60
3.4.1 数据集与评价指标52-57
3.4.2 与其他推荐算法的性能比较57-60
3.5 改善的面向相异性推荐算法60-65
3.5.1 改善的推荐算法60
3.5.2 实验历程与结果浅析60-65
3.6 本章小结65-67
4 基于 BP 的混合型 Web 怎么写作推荐67-95
4.1 不足的提出67-69
4.2 用 BP 神经网络实现 Web 怎么写作推荐69-81
4.2.1 神经网络的输入矩阵构建70-73
4.2.2 BP 网络结构设置73-74
4.2.3 数据预处理和后加工74-75
4.2.4 权重学习算法75-79
4.2.5 QoS 缺省值预测与推荐79-80
4.2.6 计算复杂度浅析80-81
4.3 实验历程与结果浅析81-93
4.3.1 实验设置81-82
4.3.2 与其他算法的性能比较82-86
4.3.3 收敛性浅析86-87
4.3.4 训练矩阵稀疏性影响87-89
4.3.5 训练用户数影响89-90
4.3.6 BP 训练矩阵百分比影响90-93
4.4 本章小结93-95
5 基于 RBF 和怎么写作相异性的 Web 怎么写作推荐95-109
5.1 不足的提出95
5.2 利用 RBF 与相异性的混合型推荐算法95-101
5.2.1 预测的 QoS 值矩阵构建95-97
5.2.2 RBF 网络结构定义97-98
5.2.3 权重和偏移调整98-99
5.2.4 基于 RBF 权重计算算法99-100
5.2.5 QoS 缺省值预测与推荐100-101
5.3 时间复杂度浅析101
5.4 实验历程与结果浅析101-106
5.4.1 与经典的推荐算法比较102-103
5.4.2 与其他混合推荐算法比较103-105
5.4.3 与 HPCN 推荐算法比较105-106
5.5 本章小结106-109
6 面向个性化情境的 Web 怎么写作推荐109-117
6.1 不足的提出109-110
6.2 个性化情境推荐系统的构建110-113
6.2.1 情境定义111-112
6.2.2 利用情境的相异性定义112
6.2.3 QoS 缺省值预测与推荐112-113
6.3 实验结果浅析113-115
6.3.1 性能比较113-114
6.3.2 怎么写作情境因素的影响114-115
6.4 本章小结115-117
7 质量驱动的 Web 怎么写作演化系统构建117-129
7.1 大型分布式软件系统的行为监控与可信演化117-119
7.1.1 环境驱动的软件自适应与演化模型117-118
7.1.2 质量驱动的 Web 怎么写作演化子系统118-119
7.2 QoS 驱动的 Web 怎么写作演化子系统设计119-123
7.2.1 Web 怎么写作推荐模块119-123
7.2.2 怎么写作演化模块123
7.3 典型运用场景123-126
7.3.1 动态怎么写作选择场景123-124
7.3.2 动态怎么写作组合场景124-126
7.4 本章小结126-129
8 总结与展望129-133
8.1 主要结论129-130
8.2 工作展望130-133
致谢133-135