| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 目录 | 第10-12页 |
| 1 绪论 | 第12-18页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 个性化推荐的研究现状 | 第13页 |
| 1.2.2 协同过滤的研究现状 | 第13-15页 |
| 1.2.3 面临的主要问题和挑战 | 第15-16页 |
| 1.3 本文研究内容与结构安排 | 第16-18页 |
| 1.3.1 研究目的及内容 | 第16-17页 |
| 1.3.2 论文结构安排 | 第17-18页 |
| 2 个性化推荐系统及相关算法 | 第18-29页 |
| 2.1 个性化推荐系统 | 第18-22页 |
| 2.1.1 个性化推荐系统概述 | 第18-19页 |
| 2.1.2 个性化推荐系统分类 | 第19-20页 |
| 2.1.3 推荐系统的框架和工作流程 | 第20-22页 |
| 2.2 个性化推荐相关技术 | 第22-25页 |
| 2.2.1 信息检索和过滤技术 | 第23页 |
| 2.2.2 数据挖掘技术 | 第23-25页 |
| 2.3 个性化推荐算法及其比较 | 第25-28页 |
| 2.3.1 个性化推荐算法 | 第25-27页 |
| 2.3.2 个性化推荐算法的比较 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 3 协同过滤推荐和K-MEANS聚类算法的研究 | 第29-46页 |
| 3.1 协同过滤推荐技术概述 | 第29-32页 |
| 3.1.1 协同过滤推荐技术描述 | 第29页 |
| 3.1.2 协同过滤推荐算法工作流程 | 第29-32页 |
| 3.2 协同过滤算法分类 | 第32-37页 |
| 3.2.1 基于内存推荐方法 | 第33-35页 |
| 3.2.2 基于模型的协同过滤 | 第35-37页 |
| 3.2.3 基于混合的协同过滤 | 第37页 |
| 3.3 协同过滤算法主要问题及对策 | 第37-41页 |
| 3.3.1 稀疏性问题 | 第38-39页 |
| 3.3.2 冷启动问题 | 第39-40页 |
| 3.3.3 扩展性问题 | 第40页 |
| 3.3.4 准确性问题 | 第40-41页 |
| 3.4 K-MEANS聚类算法 | 第41-43页 |
| 3.4.1 K-means聚类算法原理 | 第41-42页 |
| 3.4.2 K-means算法的优缺点 | 第42-43页 |
| 3.4.3 K-means算法现有改进方法 | 第43页 |
| 3.5 基于聚类的协同过滤推荐算法 | 第43-44页 |
| 3.5.1 基于用户聚类的协同过滤推荐算法 | 第44页 |
| 3.5.2 基于项目聚类的协同过滤推荐算法 | 第44页 |
| 3.6 本章小结 | 第44-46页 |
| 4 基于KRUSKAL改进聚类的协同过滤推荐算法 | 第46-57页 |
| 4.1 改进推荐算法出发点 | 第46页 |
| 4.2 改进的相似性计算方法 | 第46-49页 |
| 4.2.1 基于属性相关的项目相似性 | 第47-48页 |
| 4.2.2 基于特征相关的用户相似性 | 第48-49页 |
| 4.3 基于KRUSKAL算法改进的K-MEANS聚类算法 | 第49-52页 |
| 4.3.1 改进的K-Means聚类算法 | 第50-51页 |
| 4.3.2 改进的K-Means聚类算法设计 | 第51-52页 |
| 4.4 双向聚类预测 | 第52-55页 |
| 4.4.1 基于项目方向聚类的平滑预测 | 第53-54页 |
| 4.4.2 基于用户方向聚类的最终预测 | 第54-55页 |
| 4.5 预测推荐算法流程 | 第55-56页 |
| 4.6 本章小结 | 第56-57页 |
| 5 实验验证 | 第57-65页 |
| 5.1 实验环境和数据 | 第57-58页 |
| 5.1.1 实验环境 | 第57页 |
| 5.1.2 实验数据 | 第57-58页 |
| 5.2 实验评估标准 | 第58-59页 |
| 5.3 实验设计、结果与分析 | 第59-64页 |
| 5.4 本章小结 | 第64-65页 |
| 6 结论 | 第65-67页 |
| 6.1 总结 | 第65-66页 |
| 6.2 对未来工作的展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 在校期间发表论文和科研成果 | 第71-72页 |
| 致谢 | 第72页 |