| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第14-28页 |
| 1.1 论文研究背景及意义 | 第14-15页 |
| 1.2 推荐系统主要研究内容和研究现状 | 第15-22页 |
| 1.2.1 推荐系统主要研究内容 | 第16-19页 |
| 1.2.2 国内外研究现状 | 第19-22页 |
| 1.3 推荐系统面临的关键问题 | 第22-23页 |
| 1.4 本文的主要工作 | 第23-25页 |
| 1.5 本文的组织结构 | 第25-28页 |
| 第2章 信息推荐系统相关技术概述 | 第28-54页 |
| 2.1 信息检索和信息过滤 | 第28-30页 |
| 2.1.1 信息检索 | 第28-29页 |
| 2.1.2 信息过滤 | 第29-30页 |
| 2.2 推荐系统 | 第30-38页 |
| 2.2.1 推荐系统的基本概念 | 第30-31页 |
| 2.2.2 推荐系统的分类 | 第31-38页 |
| 2.3 协同过滤算法及分类 | 第38-49页 |
| 2.3.1 协同过滤推荐系统的基本模型 | 第39-40页 |
| 2.3.2 协同过滤算法的分类 | 第40-45页 |
| 2.3.3 评分数据的收集 | 第45-46页 |
| 2.3.4 常用的实验数据集 | 第46-47页 |
| 2.3.5 常用的算法评估标准 | 第47-49页 |
| 2.4 其它相关技术 | 第49-52页 |
| 2.4.1 数据挖掘技术 | 第49-50页 |
| 2.4.2 神经网络 | 第50-51页 |
| 2.4.3 遗传算法 | 第51页 |
| 2.4.4 决策树方法 | 第51页 |
| 2.4.5 模糊集方法 | 第51-52页 |
| 2.5 小结 | 第52-54页 |
| 第3章 基于用户隐式信息及双属性评分矩阵的冷启动推荐算法 | 第54-74页 |
| 3.1 冷启动问题 | 第55-56页 |
| 3.1.1 新项目的冷启动 | 第55-56页 |
| 3.1.2 新用户的冷启动 | 第56页 |
| 3.2 现有的解决方法 | 第56-58页 |
| 3.3 基于双属性评分矩阵的冷启动推荐算法 | 第58-70页 |
| 3.3.1 基本思路 | 第58-61页 |
| 3.3.2 用户隐式信息的描述 | 第61-63页 |
| 3.3.3 新用户隐式信息的采集及隐式评分 | 第63-64页 |
| 3.3.4 评分矩阵的SVD降维 | 第64-65页 |
| 3.3.5 双属性评分矩阵的建立 | 第65-67页 |
| 3.3.6 基于用户属性—项目属性评分矩阵UAIARM的冷启动推荐算法 | 第67-69页 |
| 3.3.7 基于双属性评分矩阵MARM的冷启动推荐算法 | 第69-70页 |
| 3.4 实验结果及分析 | 第70-72页 |
| 3.4.1 实验环境及实验数据 | 第70页 |
| 3.4.2 度量标准 | 第70-71页 |
| 3.4.3 实验结果和分析 | 第71-72页 |
| 3.5 小结 | 第72-74页 |
| 第4章 采用聚类算法优化的K近邻协同过滤算法 | 第74-88页 |
| 4.1 相关定义和基本方法 | 第75-80页 |
| 4.1.1 评分矩阵定义 | 第75页 |
| 4.1.2 常用的聚类算法 | 第75-77页 |
| 4.1.3 相似度度量方法 | 第77-79页 |
| 4.1.4 传统的K近邻协同过滤算法 | 第79-80页 |
| 4.2 采用聚类算法优化的K近邻协同过滤算法 | 第80-82页 |
| 4.2.1 聚类算法中的模糊子集问题 | 第80-81页 |
| 4.2.2 最大最小距离法的多中心聚类算法 | 第81页 |
| 4.2.3 改进的K近邻协同过滤算法 | 第81-82页 |
| 4.3 实验结果及分析 | 第82-86页 |
| 4.3.1 实验准备 | 第83-84页 |
| 4.3.2 最大最小距离聚类算法计算样本类别关联度 | 第84-85页 |
| 4.3.3 改进后K近邻协同过滤算法实验结果及比较 | 第85-86页 |
| 4.4 小结 | 第86-88页 |
| 第5章 高维稀疏矩阵下的改进协同过滤算法 | 第88-108页 |
| 5.1 高维数据集问题 | 第88-90页 |
| 5.1.1 高维问题 | 第88-89页 |
| 5.1.2 高维数据集的聚类方法 | 第89-90页 |
| 5.2 稀疏性问题 | 第90-91页 |
| 5.3 维度约简技术 | 第91-93页 |
| 5.3.1 特征选择方法 | 第92页 |
| 5.3.2 特征变换方法 | 第92-93页 |
| 5.4 模糊聚类技术 | 第93-97页 |
| 5.4.1 HCM聚类算法 | 第94页 |
| 5.4.2 FCM聚类算法 | 第94-96页 |
| 5.4.3 PCM聚类算法 | 第96页 |
| 5.4.4 PFCM聚类算法 | 第96-97页 |
| 5.5 一个改进的OPFCM模糊聚类算法 | 第97-99页 |
| 5.6 基于OPFCM模糊聚类的针对高维稀疏评分矩阵的协同过滤算法 | 第99-101页 |
| 5.7 实验结果及分析 | 第101-107页 |
| 5.7.1 OPFCM算法模糊聚类实验 | 第101-102页 |
| 5.7.2 基于OPFCM模糊聚类的针对高维稀疏评分矩阵的协同过滤算法推荐实验 | 第102-107页 |
| 5.8 小结 | 第107-108页 |
| 第6章 一个基于范例推理的资源推荐系统 | 第108-118页 |
| 6.1 推理及基于范例的推理 | 第108-110页 |
| 6.1.1 推理的概念 | 第108-109页 |
| 6.1.2 基于范例的推理过程 | 第109-110页 |
| 6.2 教学资源推荐原型系统的实现框架 | 第110-113页 |
| 6.2.1 范例及问题描述 | 第111-112页 |
| 6.2.2 范例搜索 | 第112页 |
| 6.2.3 范例复用 | 第112-113页 |
| 6.2.4 范例修正 | 第113页 |
| 6.2.5 范例存储 | 第113页 |
| 6.3 主要功能模块设计 | 第113-114页 |
| 6.4 开发平台及工具 | 第114-115页 |
| 6.5 主要运行界面 | 第115-116页 |
| 6.6 小结 | 第116-118页 |
| 第7章 总结与展望 | 第118-122页 |
| 7.1 本文的主要内容 | 第118页 |
| 7.2 主要创新点 | 第118-120页 |
| 7.3 进一步的研究工作 | 第120-122页 |
| 7.3.1 已研究内容的进一步工作 | 第120页 |
| 7.3.2 其它内容 | 第120-122页 |
| 参考文献 | 第122-136页 |
| 致谢 | 第136-138页 |
| 攻读博士学位期间的论文和项目情况 | 第138-140页 |
| 作者简历 | 第140页 |
