| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第1章 绪论 | 第8-14页 |
| ·研究背景 | 第8-9页 |
| ·国内外研究现状 | 第9-12页 |
| ·本文主要工作和结构安排 | 第12-14页 |
| 第2章 推荐系统及相关算法 | 第14-24页 |
| ·推荐系统概述 | 第14-16页 |
| ·推荐系统的原理 | 第14-15页 |
| ·推荐系统的基本分类 | 第15-16页 |
| ·协同过滤算法概述 | 第16-19页 |
| ·协同过滤算法思想 | 第16-17页 |
| ·用户行为偏好信息 | 第17-18页 |
| ·协同过滤算法的分类 | 第18-19页 |
| ·基于用户的协同过滤推荐算法 | 第19-22页 |
| ·构造用户行为偏好矩阵 | 第19-20页 |
| ·产生邻居用户集 | 第20-21页 |
| ·推荐预测 | 第21-22页 |
| ·协同过滤推荐算法的特点 | 第22-23页 |
| ·协同过滤推荐算法优点 | 第22-23页 |
| ·协同过滤推荐算法需要解决的问题 | 第23页 |
| ·本章小结 | 第23-24页 |
| 第3章 基于填充和相似性信任因子的协同过滤推荐算法 | 第24-45页 |
| ·问题的提出与分析 | 第24-26页 |
| ·基于填充和相似性信任因子的协同过滤推荐算法 | 第26-34页 |
| ·矩阵填充与奇异值分解技术 | 第26-29页 |
| ·SOFT-IMPUTE 算法概述 | 第29页 |
| ·采用 SOFT-IMPUTE 算法填充稀疏行为偏好矩阵 | 第29-31页 |
| ·相似性信任因子 | 第31-34页 |
| ·算法实现 | 第34页 |
| ·实验与结果 | 第34-44页 |
| ·实验数据集 | 第34-36页 |
| ·度量标准 | 第36页 |
| ·实验设计 | 第36-37页 |
| ·实验结果与分析 | 第37-44页 |
| ·本章小结 | 第44-45页 |
| 第4章 基于项目流行度的协同过滤 TopN 推荐算法 | 第45-59页 |
| ·问题的提出与分析 | 第45-46页 |
| ·基于项目流行度的协同过滤 TopN 推荐算法 | 第46-51页 |
| ·长尾分布和项目流行度 | 第46-47页 |
| ·项目流行度对用户相似性计算的影响 | 第47-49页 |
| ·项目流行度对推荐结果的影响 | 第49-50页 |
| ·算法实现 | 第50-51页 |
| ·实验与结果 | 第51-58页 |
| ·实验数据集 | 第51页 |
| ·度量标准 | 第51-52页 |
| ·实验设计 | 第52页 |
| ·实验结果与分析 | 第52-58页 |
| ·本章小结 | 第58-59页 |
| 第5章 总结与展望 | 第59-61页 |
| ·总结 | 第59-60页 |
| ·展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第65页 |
