| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-19页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 推荐系统研究及应用现状 | 第11-16页 |
| 1.2.1 国内研究及应用现状 | 第11-14页 |
| 1.2.2 国外研究及应用现状 | 第14-16页 |
| 1.3 问题提出 | 第16-17页 |
| 1.4 论文结构 | 第17-18页 |
| 1.5 本章小结 | 第18-19页 |
| 2 相关理论 | 第19-26页 |
| 2.1 推荐系统 | 第19页 |
| 2.2 协同过滤推荐算法 | 第19-22页 |
| 2.2.1 基于记忆的协同过滤推荐 | 第20-21页 |
| 2.2.2 基于模型的协同过滤推荐 | 第21页 |
| 2.2.3 混合的协同过滤推荐 | 第21-22页 |
| 2.2.4 算法评估标准 | 第22页 |
| 2.3 协同过滤推荐算法关键技术概述 | 第22-25页 |
| 2.3.1 近邻选择 | 第22-24页 |
| 2.3.2 评分预测 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 3 基于差分进化算法的最近邻优化方法 | 第26-39页 |
| 3.1 传统最近邻选取方法及缺陷 | 第26-27页 |
| 3.2 建立最近邻优化模型的动机 | 第27页 |
| 3.3 基于差分算法的近邻优化方法 | 第27-30页 |
| 3.3.1 差分进化优化算法 | 第27-29页 |
| 3.3.2 最近邻优化模型的建立 | 第29页 |
| 3.3.3 基于差分算法的近邻优化算法步骤 | 第29-30页 |
| 3.4 实验设计 | 第30-31页 |
| 3.4.1 数据集 | 第30-31页 |
| 3.4.2 实验环境 | 第31页 |
| 3.5 实验结果及分析 | 第31-38页 |
| 3.5.1 冷启动环境下 | 第31-35页 |
| 3.5.2 非冷启动环境下 | 第35-38页 |
| 3.6 本章小结 | 第38-39页 |
| 4 基于SlopeOne的评分值预测方法 | 第39-63页 |
| 4.1 传统预测值计算方法及缺陷 | 第39-41页 |
| 4.2 改进预测值计算方法的动机 | 第41页 |
| 4.3 改进的评分值预测方法 | 第41-43页 |
| 4.3.1 基于SlopeOne的预测值模型的构建 | 第41-42页 |
| 4.3.2 基于SlopeOne的预测值算法步骤 | 第42-43页 |
| 4.4 实验结果及分析 | 第43-61页 |
| 4.4.1 冷启动环境下实验结果及分析 | 第43-52页 |
| 4.4.2 非冷启动环境下实验结果及分析 | 第52-61页 |
| 4.5 本章小结 | 第61-63页 |
| 5 总结与展望 | 第63-65页 |
| 5.1 总结 | 第63页 |
| 5.2 展望 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 图清单 | 第70-71页 |
| 表清单 | 第71-72页 |
| 攻读硕士学位期间参加的科研项目与发表的学术论文 | 第72-73页 |
| 致谢 | 第73页 |