| 摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 目录 | 第7-10页 |
| 第一章 绪论 | 第10-17页 |
| ·课题研究背景及意义 | 第10-13页 |
| ·研究背景 | 第10-11页 |
| ·研究意义 | 第11-13页 |
| ·课题研究现状与发展趋势 | 第13-16页 |
| ·传统协同过滤研究现状 | 第13-14页 |
| ·基于云模型的协同过滤研究现状 | 第14-15页 |
| ·发展趋势 | 第15-16页 |
| ·本论文的主要工作和结构安排 | 第16-17页 |
| ·本论文的主要工作 | 第16页 |
| ·本论文的结构安排 | 第16-17页 |
| 第二章 协同过滤推荐算法介绍 | 第17-31页 |
| ·引言 | 第17-18页 |
| ·基于记忆的协同过滤推荐算法 | 第18-23页 |
| ·算法描述 | 第18-20页 |
| ·基于用户的协同过滤推荐算法 | 第20-21页 |
| ·基于项目的协同过滤推荐算法 | 第21-22页 |
| ·两种基于记忆的协同过滤算法优缺点对比 | 第22-23页 |
| ·基于模型的协同过滤推荐算法 | 第23-26页 |
| ·基于朴素贝叶斯的协同过滤算法 | 第23页 |
| ·基于聚类的协同过滤推荐算法 | 第23-24页 |
| ·基于矩阵分解的协同过滤推荐算法 | 第24-25页 |
| ·三种基于模型的协同过滤算法比较 | 第25-26页 |
| ·基于内容的推荐算法 | 第26-27页 |
| ·混合协同过滤推荐算法 | 第27-28页 |
| ·协同过滤算法存在的问题 | 第28-30页 |
| ·数据的稀疏性 | 第28-29页 |
| ·冷启动 | 第29页 |
| ·可扩展性 | 第29页 |
| ·同义性和多义性 | 第29页 |
| ·用户行为不确定性 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第三章 云模型及其在协同过滤算法中的应用 | 第31-42页 |
| ·引言 | 第31页 |
| ·云模型 | 第31-37页 |
| ·云模型 | 第32-33页 |
| ·云的 3En 规则 | 第33页 |
| ·正态云及其普适性 | 第33-34页 |
| ·正态云发生器 | 第34-37页 |
| ·云模型在协同过滤算法中的应用 | 第37-41页 |
| ·数据缺失 | 第37页 |
| ·常见的数据缺失处理方法 | 第37-39页 |
| ·基于云模型的相似性度量方法 | 第39页 |
| ·基于云模型的矩阵填充方法 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 第四章 基于用户特征属性和云模型的协同过滤推荐算法 | 第42-50页 |
| ·引言 | 第42页 |
| ·问题定义 | 第42-43页 |
| ·用户特征属性相似性 | 第43-45页 |
| ·用户特征属性的影响 | 第43-44页 |
| ·用户特征属性相似性 | 第44-45页 |
| ·基于用户特征属性和云模型的协同过滤推荐算法 | 第45-46页 |
| ·结合用户特征属性的相似度计算方法 | 第45页 |
| ·算法流程 | 第45-46页 |
| ·算法分析 | 第46页 |
| ·改进的基于用户特征属性和云模型的协同过滤算法 | 第46-49页 |
| ·本章小结 | 第49-50页 |
| 第五章 实验设计及结果分析 | 第50-56页 |
| ·实验目的 | 第50页 |
| ·实验环境和数据集 | 第50-51页 |
| ·实验评价标准 | 第51-52页 |
| ·实验结果分析 | 第52-55页 |
| ·实验一 | 第52-53页 |
| ·实验二 | 第53-54页 |
| ·实验三 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| ·本文工作总结 | 第56页 |
| ·未来的工作展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61-62页 |
| 在学期间发表的学术论文 | 第62-63页 |