| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 研究背景 | 第12-14页 |
| 1.2 研究现状 | 第14-18页 |
| 1.2.1 推荐算法研究现状 | 第14-16页 |
| 1.2.2 用户相似度计算研究现状 | 第16-17页 |
| 1.2.3 项目相似度计算研究现状 | 第17-18页 |
| 1.3 问题提出 | 第18页 |
| 1.4 研究目的及意义 | 第18-20页 |
| 1.4.1 研究目的 | 第18-19页 |
| 1.4.2 研究意义 | 第19-20页 |
| 1.5 本文主要工作 | 第20页 |
| 1.6 本文组织结构 | 第20-22页 |
| 第2章 相关文献综述 | 第22-35页 |
| 2.1 关于推荐算法 | 第22-25页 |
| 2.1.1 协同过滤推荐算法的基本流程 | 第22-24页 |
| 2.1.2 协同过滤推荐算法存在的问题 | 第24-25页 |
| 2.2 关于Slope One算法及加权Slope One算法 | 第25-30页 |
| 2.2.1 Slope One算法简介 | 第25-27页 |
| 2.2.2 加权Slope One算法简介 | 第27-28页 |
| 2.2.3 Slope One算法的优缺点分析 | 第28-29页 |
| 2.2.4 Slope One算法的改进策略 | 第29-30页 |
| 2.3 关于用户相似度的计算 | 第30-32页 |
| 2.3.1 基于皮尔逊相关系数的相似度计算 | 第30-31页 |
| 2.3.2 基于Jaccard相关系数的相似度计算 | 第31-32页 |
| 2.4 传统相似度计算方法的局限 | 第32-33页 |
| 2.5 关于项目相似度的计算 | 第33-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第3章 似然比相似度的计算方法 | 第35-48页 |
| 3.1 计算思想及背景 | 第35-37页 |
| 3.1.1 遗传图谱中的LOD值 | 第35-36页 |
| 3.1.2 社区检测中的模块化 | 第36-37页 |
| 3.2 似然比相似度的定义 | 第37-40页 |
| 3.3 似然比相似度的计算示例及其优势 | 第40-44页 |
| 3.3.1 数据的数量问题 | 第40-42页 |
| 3.3.2 皮尔逊相关系数无法计算问题 | 第42-43页 |
| 3.3.3 皮尔逊相关系数计算有误问题 | 第43-44页 |
| 3.4 归一化 | 第44-45页 |
| 3.5 混合相似度的计算 | 第45-47页 |
| 3.5.1 欧几里得距离相似度及其归一化处理 | 第45-47页 |
| 3.5.2 用户混合相似度 | 第47页 |
| 3.6 本章小结 | 第47-48页 |
| 第4章 项目类型相关性的计算及项目筛选 | 第48-56页 |
| 4.1 项目类型相关性的计算方法 | 第48-50页 |
| 4.1.1 项目类型相关性的定义 | 第49页 |
| 4.1.2 项目类型共同出现概率的计算 | 第49-50页 |
| 4.1.3 项目类型评分相似度计算 | 第50页 |
| 4.2 项目的筛选策略 | 第50-53页 |
| 4.3 基于似然比相似度和项目类型相关性的加权Slope One算法流程 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第5章 实验分析 | 第56-66页 |
| 5.1 实验准备 | 第56-58页 |
| 5.1.1 实验数据集 | 第56-57页 |
| 5.1.2 对比算法 | 第57页 |
| 5.1.3 实验环境配置 | 第57-58页 |
| 5.1.4 实验评价标准 | 第58页 |
| 5.2 实验结果与分析 | 第58-65页 |
| 5.2.1 实验结果 | 第58-64页 |
| 5.2.2 实验结果分析 | 第64-65页 |
| 5.3 本章小结 | 第65-66页 |
| 第6章 总结与展望 | 第66-68页 |
| 6.1 主要结论 | 第66-67页 |
| 6.2 未来工作展望 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-73页 |
