| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题的研究背景 | 第9-10页 |
| 1.2 课题的选题意义 | 第10-12页 |
| 1.3 课题研究内容 | 第12页 |
| 1.4 课题组织结构 | 第12-15页 |
| 第二章 个性化推荐系统概述 | 第15-25页 |
| 2.1 个性化推荐系统的定义与分类 | 第15-18页 |
| 2.1.1 个性化推荐系统的定义 | 第15-16页 |
| 2.1.2 推荐系统的分类 | 第16-18页 |
| 2.2 个性化推荐系统的研究现状 | 第18-21页 |
| 2.3 个性化推荐系统的相关技术 | 第21-25页 |
| 2.3.1 用户兴趣建模 | 第21-22页 |
| 2.3.2 基于关联规则推荐算法 | 第22-23页 |
| 2.3.3 基于内容的推荐算法 | 第23页 |
| 2.3.4 基于协同过滤的推荐算法 | 第23-25页 |
| 第三章 电影知识图谱的构建研究 | 第25-33页 |
| 3.1 基于网络爬虫的电影基础数据的爬取 | 第25-30页 |
| 3.1.1 全量电影基础数据的获取方法 | 第26页 |
| 3.1.2 增量电影基础数据和评分数据更新获取方法 | 第26-30页 |
| 3.2 电影系列挖掘 | 第30-33页 |
| 3.2.1 电影系列关键词提取 | 第30页 |
| 3.2.2 电影系列归类 | 第30-33页 |
| 第四章 用户兴趣的提取分析 | 第33-41页 |
| 4.1 用户搜索与浏览请求的过滤方法 | 第33-34页 |
| 4.2 用户搜索关键词提取 | 第34-36页 |
| 4.2.1 中文分词 | 第35-36页 |
| 4.2.2 停用词过滤 | 第36页 |
| 4.2.3 扩充词典 | 第36页 |
| 4.3 用户行为映射 | 第36-38页 |
| 4.3.1 关键词映射 | 第37页 |
| 4.3.2 用户浏览映射 | 第37-38页 |
| 4.4 用户兴趣关联映射 | 第38-41页 |
| 第五章 用户兴趣模型的构建研究与实验分析 | 第41-47页 |
| 5.1 基于TF-IDF算法的用户各维度元素兴趣度的计算 | 第41-43页 |
| 5.2 用户对某电影的兴趣度计算 | 第43-44页 |
| 5.3 实验分析 | 第44-47页 |
| 5.3.1 与传统协同过滤算法召回率对比 | 第44-45页 |
| 5.3.2 与传统协同过滤算法各元素兴趣匹配度对比 | 第45页 |
| 5.3.3 测试用户感兴趣的电影 | 第45-47页 |
| 第六章 结论 | 第47-49页 |
| 参考文献 | 第49-53页 |
| 致谢 | 第53-55页 |
| 攻读学位期间发表的学术论文目录 | 第55页 |
