| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究的背景及意义 | 第10-13页 |
| 1.1.1 研究的背景 | 第10-11页 |
| 1.1.2 研究的意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 国内研究现状 | 第13-14页 |
| 1.2.2 国外研究现状 | 第14-15页 |
| 1.3 论文的研究工作 | 第15-18页 |
| 1.3.1 基于SVD的协同过滤推荐算法研究 | 第15-16页 |
| 1.3.2 基于K-means的协同过滤推荐算法研究 | 第16-17页 |
| 1.3.3 本文的主要研究工作 | 第17-18页 |
| 1.4 论文的组织结构 | 第18-20页 |
| 第2章 个性化推荐系统及相关算法 | 第20-38页 |
| 2.1 个性化推荐系统 | 第20-22页 |
| 2.1.1 个性化推荐 | 第20-21页 |
| 2.1.2 个性化推荐系统的作用 | 第21页 |
| 2.1.3 个性化推荐系统的发展历程 | 第21-22页 |
| 2.2 个性化推荐的相关技术 | 第22-27页 |
| 2.2.1 矩阵分解的理论基础 | 第22-23页 |
| 2.2.2 K-means聚类算法 | 第23-27页 |
| 2.2.3 K-means聚类算法现有的改进方法 | 第27页 |
| 2.3 个性化推荐算法 | 第27-35页 |
| 2.3.1 基于K-means的协同过滤算法 | 第27-29页 |
| 2.3.2 基于SVD的协同过滤算法 | 第29-30页 |
| 2.3.3 基于内存的协同过滤推荐技术 | 第30-35页 |
| 2.4 其他相关辅助技术 | 第35-37页 |
| 2.4.1 皮尔逊相关系数 | 第35-36页 |
| 2.4.2 评估策略 | 第36-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第3章 基于改进的K-means和奇异值分解的协同过滤算法 | 第38-47页 |
| 3.1 奇异值分解算法 | 第38-41页 |
| 3.2 改进的K-means聚类算法 | 第41-43页 |
| 3.3 基于改进的K-means和奇异值分解的协同过滤算法设计 | 第43-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第4章 仿真实验结果及分析 | 第47-63页 |
| 4.1 实验环境及数据 | 第47-54页 |
| 4.1.1 实验环境 | 第47页 |
| 4.1.2 实验数据 | 第47-54页 |
| 4.2 实验评估策略 | 第54-55页 |
| 4.3 实验结果及分析 | 第55-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第5章 总结与展望 | 第63-66页 |
| 5.1 论文总结 | 第63-64页 |
| 5.2 论文展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70页 |
