| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 推荐系统介绍 | 第11-13页 |
| 1.3 推荐系统的研究现状 | 第13-14页 |
| 1.4 本文的研究内容 | 第14页 |
| 1.5 本文的组织结构 | 第14-16页 |
| 第2章 个性化推荐系统研究 | 第16-29页 |
| 2.1 推荐系统概述及应用 | 第16-19页 |
| 2.2 基于邻域的协同过滤推荐算法综述 | 第19-24页 |
| 2.2.1 基于用户的协同过滤算法 | 第20-22页 |
| 2.2.2 基于物品的协同过滤推荐算法 | 第22-24页 |
| 2.3 协同过滤方面临的问题 | 第24-28页 |
| 2.3.1 数据稀疏性和噪音问题 | 第25-26页 |
| 2.3.2 冷启动问题 | 第26-27页 |
| 2.3.3 扩展性问题 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于异源专家用户的协同过滤推荐算法 | 第29-35页 |
| 3.1 概述 | 第29-30页 |
| 3.2 协同过滤推荐系统流程 | 第30-31页 |
| 3.2.1 用户行为提取分析 | 第30页 |
| 3.2.2 用户行为模型权重计算 | 第30页 |
| 3.2.3 相似度矩阵计算 | 第30-31页 |
| 3.3 基于异源专家用户的协同过滤推荐算法 | 第31-34页 |
| 3.3.1 异源专家推荐的算法模型 | 第32-33页 |
| 3.3.2 各个步骤的相关说明 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 基于同源专家用户的协同过滤推荐算法 | 第35-51页 |
| 4.1 同源专家数据集的获取 | 第35-36页 |
| 4.2 基于同源专家用户的协同过滤推荐算法 | 第36-38页 |
| 4.2.1 基于同源专家用户的协同过滤推荐算法流程 | 第36-37页 |
| 4.2.2 相关算法说明 | 第37-38页 |
| 4.3 推荐算法的评测 | 第38-50页 |
| 4.3.1 评测标准概述 | 第38-46页 |
| 4.3.2 预测准确度 | 第46-48页 |
| 4.3.3 覆盖率 | 第48-49页 |
| 4.3.4 新颖度 | 第49页 |
| 4.3.5 健壮性 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 实验与结果分析 | 第51-55页 |
| 5.1 实验数据集介绍 | 第51-52页 |
| 5.2 实验设置 | 第52页 |
| 5.3 基于专家用户的推荐实验结果与分析 | 第52-54页 |
| 5.4 本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第60-61页 |
| 致谢 | 第61-62页 |
| 作者简介 | 第62页 |