| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-17页 |
| ·课题的研究背景 | 第9-10页 |
| ·推荐系统的研究现状 | 第10-12页 |
| ·国外研究现状 | 第10-12页 |
| ·国内研究现状 | 第12页 |
| ·协同过滤的研究现状 | 第12-14页 |
| ·课题的研究意义 | 第14页 |
| ·论文的主要工作 | 第14-15页 |
| ·论文的组织结构 | 第15-17页 |
| 第二章 相关概念与综述 | 第17-26页 |
| ·数据挖掘 | 第17-19页 |
| ·数据挖掘的概念及过程 | 第17-18页 |
| ·数据挖掘的分类 | 第18-19页 |
| ·Web 挖掘 | 第19-21页 |
| ·Web 挖掘的基本概念 | 第19页 |
| ·Web 挖掘的分类 | 第19-21页 |
| ·推荐技术及分类 | 第21-25页 |
| ·基于内容过滤的方法 | 第22-24页 |
| ·基于协同过滤的方法 | 第24页 |
| ·基于聚类分析的方法 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 协同过滤推荐算法研究 | 第26-37页 |
| ·引言 | 第26-27页 |
| ·基于模型的协同过滤算法 | 第27-29页 |
| ·基于全局的协同过滤算法 | 第29-30页 |
| ·基于用户的协同过滤算法 | 第30-33页 |
| ·基于项目的协同过滤算法 | 第33-34页 |
| ·协同过滤算法中存在的问题与挑战 | 第34-35页 |
| ·稀疏性问题 | 第35页 |
| ·冷启动问题 | 第35页 |
| ·扩展性问题 | 第35页 |
| ·推荐系统的评估标准 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第四章 基于 Web 使用挖掘的“用户-项矩阵”模型 | 第37-60页 |
| ·引言 | 第37-38页 |
| ·数据预处理过程 | 第38-49页 |
| ·形式化描述与定义 | 第39-42页 |
| ·数据清理 | 第42-43页 |
| ·用户识别 | 第43-46页 |
| ·会话识别 | 第46-49页 |
| ·路径补全 | 第49页 |
| ·多元线性回归分析 | 第49-51页 |
| ·回归分析原理与步骤 | 第49-50页 |
| ·多元线性回归分析 | 第50-51页 |
| ·用户-项矩阵模型 | 第51-56页 |
| ·模型介绍 | 第51-53页 |
| ·构建模型 | 第53-56页 |
| ·实验结果与分析 | 第56-59页 |
| ·预处理结果 | 第56-58页 |
| ·用户-项矩阵表示 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 第五章 解决稀疏性问题的改进算法 | 第60-74页 |
| ·稀疏性问题 | 第60-61页 |
| ·现有解决方法 | 第61-63页 |
| ·基于选择性预测策略的改进算法 | 第63-68页 |
| ·改进策略及原理 | 第63-64页 |
| ·最近邻的选择 | 第64-65页 |
| ·选择性预测 | 第65-66页 |
| ·算法描述 | 第66-68页 |
| ·参数讨论 | 第68页 |
| ·实验结果与分析 | 第68-73页 |
| ·数据集 | 第68-69页 |
| ·度量标准 | 第69页 |
| ·实验过程及分析 | 第69-73页 |
| ·本章小结 | 第73-74页 |
| 第六章 协同过滤推荐算法的改进 | 第74-88页 |
| ·传统的协同过滤算法分析 | 第74-75页 |
| ·相关研究 | 第75-76页 |
| ·改进的协同过滤推荐算法 | 第76-82页 |
| ·基本思想 | 第76-78页 |
| ·用户聚类过程 | 第78-80页 |
| ·查询最近邻 | 第80-81页 |
| ·产生推荐 | 第81-82页 |
| ·算法的流程图 | 第82页 |
| ·实验结果与分析 | 第82-87页 |
| ·时间复杂度分析 | 第82-84页 |
| ·算法准确度分析 | 第84-87页 |
| ·本章小结 | 第87-88页 |
| 第七章 总结与展望 | 第88-90页 |
| ·论文工作总结 | 第88-89页 |
| ·进一步工作 | 第89-90页 |
| 参考文献 | 第90-94页 |
| 致谢 | 第94-95页 |
| 攻读学位期间的研究成果 | 第95页 |