| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 评论挖掘的研究现状 | 第9-10页 |
| 1.2.2 推荐系统的研究现状 | 第10-11页 |
| 1.3 研究内容和系统框架 | 第11-12页 |
| 1.4 论文结构 | 第12-14页 |
| 2 特征—情感词抽取 | 第14-21页 |
| 2.1 通用框架 | 第14-15页 |
| 2.2 过程 | 第15-20页 |
| 2.2.1 产品特征提取 | 第15-18页 |
| 2.2.2 情感词识别 | 第18页 |
| 2.2.3 极性以及强度判定 | 第18-19页 |
| 2.2.4 结果展示及排序 | 第19-20页 |
| 2.3 本章小结 | 第20-21页 |
| 3 推荐算法 | 第21-36页 |
| 3.1 推荐算法概况 | 第21页 |
| 3.2 推荐算法介绍 | 第21-29页 |
| 3.2.1 基于内容的推荐算法 | 第21-23页 |
| 3.2.2 基于协同过滤的推荐算法 | 第23-28页 |
| 3.2.3 其他推荐算法 | 第28页 |
| 3.2.4 混合推荐算法 | 第28-29页 |
| 3.3 基于内存的协同过滤推荐算法 | 第29-32页 |
| 3.3.1 基于用户的协同过滤推荐算法 | 第29-30页 |
| 3.3.2 基于项目的协同过滤推荐算法 | 第30-32页 |
| 3.3.3 基于用户的协同过滤与基于项目的协同过滤的对比分析 | 第32页 |
| 3.4 推荐算法评价指标 | 第32-34页 |
| 3.4.1 精确度 | 第33页 |
| 3.4.2 覆盖率 | 第33页 |
| 3.4.3 召回率和准确率 | 第33-34页 |
| 3.4.4 新颖性 | 第34页 |
| 3.4.5 多样性 | 第34页 |
| 3.5 本章小结 | 第34-36页 |
| 4 基于用户评论的协同过滤推荐算法 | 第36-49页 |
| 4.1 算法概述 | 第36-37页 |
| 4.2 相关概念 | 第37-38页 |
| 4.3 基于用户评论的图书特征挖掘和用户偏好建模 | 第38-45页 |
| 4.3.1 图书特征挖掘 | 第38-42页 |
| 4.3.2 特征层面建立和用户偏好建模 | 第42-45页 |
| 4.4 基于项目的评分预测算法 | 第45-47页 |
| 4.5 基于用户的协同过滤推荐 | 第47-48页 |
| 4.5.1 综合相似度计算方法 | 第47-48页 |
| 4.5.2 评分预测和产品推荐 | 第48页 |
| 4.6 本章小结 | 第48-49页 |
| 5 实验结果与分析 | 第49-53页 |
| 5.1 实验环境和实验数据 | 第49-50页 |
| 5.2 实验评价标准 | 第50页 |
| 5.3 实验结果及分析 | 第50-52页 |
| 5.4 本章小结 | 第52-53页 |
| 6 总结与展望 | 第53-55页 |
| 6.1 论文总结 | 第53-54页 |
| 6.2 研究展望 | 第54-55页 |
| 参考文献 | 第55-61页 |
| 致谢 | 第61页 |