| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第15-20页 |
| 1.1 课题研究背景及意义 | 第15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1 理论研究进展 | 第15-16页 |
| 1.2.2 推荐系统的应用 | 第16-18页 |
| 1.3 本文研究目标与主要工作 | 第18页 |
| 1.4 本文组织结构 | 第18-19页 |
| 1.5 本章小结 | 第19-20页 |
| 第二章 个性化推荐系统 | 第20-26页 |
| 2.1 个性化推荐系统概述 | 第20页 |
| 2.2 个性化推荐系统架构 | 第20-21页 |
| 2.3 个性化推荐算法分类 | 第21-25页 |
| 2.4 个性化推荐算法比较 | 第25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 协同过滤推荐算法研究 | 第26-36页 |
| 3.1 基于内存的协同过滤推荐 | 第26-31页 |
| 3.1.1 基于用户的协同过滤推荐 | 第27-30页 |
| 3.1.2 基于项目的协同过滤推荐 | 第30-31页 |
| 3.2 基于模型的协同过滤推荐 | 第31-32页 |
| 3.2.1 基于贝叶斯网络的协同过滤算法 | 第31页 |
| 3.2.2 基于线性回归的协同过滤算法 | 第31-32页 |
| 3.2.3 基于图的协同过滤算法 | 第32页 |
| 3.3 协同过滤推荐算法面临的问题 | 第32-33页 |
| 3.3.1 用户评分稀疏问题 | 第33页 |
| 3.3.2 冷启动问题 | 第33页 |
| 3.3.3 可扩展性问题 | 第33页 |
| 3.4 推荐系统评价指标 | 第33-35页 |
| 3.4.1 预测准确度 | 第33-34页 |
| 3.4.2 分类准确度 | 第34页 |
| 3.4.3 排序准确度 | 第34-35页 |
| 3.4.4 预测打分关联 | 第35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 基于奇异值分解和项目属性的推荐算法 | 第36-46页 |
| 4.1 相关研究 | 第36-39页 |
| 4.1.1 基于项目的协同过滤改进 | 第36-38页 |
| 4.1.2 基于SVD的协同过滤推荐 | 第38-39页 |
| 4.2 算法实现 | 第39-42页 |
| 4.2.1 计算项目间的评分相似度 | 第40页 |
| 4.2.2 计算项目间的属性相似度 | 第40-42页 |
| 4.2.3 计算项目间的综合相似度 | 第42页 |
| 4.2.4 选择项目的邻居 | 第42页 |
| 4.2.5 预测评分 | 第42页 |
| 4.3 实验结果及分析 | 第42-45页 |
| 4.3.1 数据集 | 第42-43页 |
| 4.3.2 评价指标 | 第43页 |
| 4.3.3 实验结果 | 第43-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 基于用户兴趣迁移的协同过滤推荐算法 | 第46-57页 |
| 5.1 相关研究 | 第46-50页 |
| 5.1.1 K-Means聚类算法在协同过滤推荐中的应用 | 第46-47页 |
| 5.1.2 用户兴趣迁移的研究 | 第47-50页 |
| 5.2 算法实现 | 第50-53页 |
| 5.2.1 对项目进行聚类 | 第50-52页 |
| 5.2.2 计算用户之间的相似度 | 第52-53页 |
| 5.2.3 选择用户的邻居 | 第53页 |
| 5.2.4 预测评分 | 第53页 |
| 5.3 实验结果及分析 | 第53-56页 |
| 5.3.1 数据集 | 第53-54页 |
| 5.3.2 评价指标 | 第54页 |
| 5.3.3 实验结果 | 第54-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 本文总结 | 第57页 |
| 6.2 工作展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第62-64页 |