| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 1 绪论 | 第10-16页 |
| ·研究背景 | 第10-12页 |
| ·研究目的和意义 | 第12-13页 |
| ·研究内容及创新点 | 第13-14页 |
| ·文章框架 | 第14-15页 |
| ·本章小节 | 第15-16页 |
| 2 相关研究综述 | 第16-33页 |
| ·电子商务推荐系统 | 第16-23页 |
| ·推荐系统定义及研究内容 | 第16-18页 |
| ·推荐系统分类 | 第18-21页 |
| ·相关推荐算法和技术 | 第21-23页 |
| ·协同过滤推荐算法综述 | 第23-32页 |
| ·协同过滤推荐算法的分类 | 第23-26页 |
| ·协同过滤推荐算法的评估方法 | 第26-29页 |
| ·协同过滤推荐算法比较 | 第29-31页 |
| ·协同过滤推荐算法的稀疏性问题 | 第31-32页 |
| ·本章小节 | 第32-33页 |
| 3 基于用户隐性背景信息和多属性决策方法的项目推荐算法 | 第33-45页 |
| ·问题的提出 | 第33页 |
| ·相关概念 | 第33-38页 |
| ·用户-项目评分矩阵 | 第33-34页 |
| ·用户背景信息 | 第34-35页 |
| ·用户隐性背景信息 | 第35-36页 |
| ·基于离差最大化的实数型不确定多属性决策方法 | 第36-38页 |
| ·项目属性 | 第38-41页 |
| ·用户显性基本模型 | 第38页 |
| ·用户支持矩阵 | 第38-39页 |
| ·显性背景信息支持矩阵 | 第39页 |
| ·显性背景信息点击矩阵 | 第39-40页 |
| ·显性背景信息兴趣矩阵 | 第40页 |
| ·项目背景信息属性 | 第40-41页 |
| ·用户隐性背景信息显性化 | 第41-43页 |
| ·项目分类 | 第41页 |
| ·用户隐性背景信息计算方法 | 第41-43页 |
| ·项目推荐 | 第43-44页 |
| ·本章小节 | 第44-45页 |
| 4 基于非邻居用户的概率评分预测方法 | 第45-49页 |
| ·问题的提出 | 第45-46页 |
| ·相关概念 | 第46-47页 |
| ·非邻居用户 | 第46-47页 |
| ·传统概率和条件概率 | 第47页 |
| ·非邻居用户预测评分计算方法 | 第47-48页 |
| ·本章小节 | 第48-49页 |
| 5 基于用户隐性背景信息和非邻居用户的协同过滤推荐算法 | 第49-52页 |
| ·本文改进思路 | 第49页 |
| ·算法步骤 | 第49-51页 |
| ·本章小节 | 第51-52页 |
| 6 实验和评估 | 第52-61页 |
| ·推荐质量评价方法 | 第52-53页 |
| ·数据选择和分析 | 第53-54页 |
| ·实验模型设计 | 第54-55页 |
| ·实验过程及结果 | 第55-58页 |
| ·分析结果与建议 | 第58-60页 |
| ·本章小节 | 第60-61页 |
| 7 结论和展望 | 第61-63页 |
| ·工作总结 | 第61页 |
| ·不足与展望 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 附录 | 第69-71页 |