| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 论文的主要工作和结构安排 | 第15-17页 |
| 2 推荐系统及推荐算法 | 第17-29页 |
| 2.1 推荐系统 | 第17-19页 |
| 2.2 基于内容的推荐算法 | 第19-22页 |
| 2.2.1 基于内容的推荐算法原理 | 第19-20页 |
| 2.2.2 基于内容的推荐算法的优缺点 | 第20-21页 |
| 2.2.3 典型算法 | 第21-22页 |
| 2.3 协同过滤推荐算法 | 第22-25页 |
| 2.3.1 协同过滤算法的步骤 | 第23页 |
| 2.3.2 基于用户的协同过滤算法 | 第23-25页 |
| 2.4 相似度的计算 | 第25-28页 |
| 2.5 本章小结 | 第28-29页 |
| 3 评分矩阵预测模型 | 第29-47页 |
| 3.1 神经网络 | 第29-36页 |
| 3.1.1 神经元模型 | 第29-31页 |
| 3.1.2 BP神经网络结构 | 第31页 |
| 3.1.3 BP神经网络的算法 | 第31-35页 |
| 3.1.4 BP神经网络的基本特征 | 第35-36页 |
| 3.2 对BP神经网络算法的改进LM-BP神经网络 | 第36-37页 |
| 3.2.1 LM-BP神经网络算法的原理介绍 | 第36-37页 |
| 3.2.2 LM-BP神经网络算法的计算步骤 | 第37页 |
| 3.3 基于LM-BP神经网络进行矩阵预测的推荐算法 | 第37-42页 |
| 3.4 相似度的度量 | 第42-45页 |
| 3.4.1 信息熵 | 第42-43页 |
| 3.4.2 用信息熵来计算相似度 | 第43-45页 |
| 3.5 评分预测 | 第45-46页 |
| 3.6 本章小结 | 第46-47页 |
| 4 数值计算与结果分析 | 第47-63页 |
| 4.1 数据集与评估方法 | 第47-53页 |
| 4.1.1 数据集 | 第47-48页 |
| 4.1.2 测试方法 | 第48-49页 |
| 4.1.3 推荐算法的评价标准 | 第49-53页 |
| 4.2 相似度度量对推荐准确度的影响 | 第53-58页 |
| 4.3 基于LM-BP神经网络算法的矩阵的填充对推荐算法的影响 | 第58-61页 |
| 4.4 本章小结 | 第61-63页 |
| 5 总结与展望 | 第63-65页 |
| 参考文献 | 第65-67页 |
| 作者简介及攻读硕士/博士学位期间取得的研究成果 | 第67-69页 |
| 学位论文数据集 | 第69页 |
