| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 推荐系统研究背景和意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11页 |
| 1.2 国内外个性化推荐系统研究现状 | 第11-12页 |
| 1.3 本文主要研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 第二章 常用的推荐方法及其相关技术介绍 | 第14-26页 |
| 2.1 个性化推荐 | 第14页 |
| 2.2 协同过滤推荐算法 | 第14-16页 |
| 2.3 基于内容的推荐算法 | 第16-17页 |
| 2.4 基于二部图的推荐算法 | 第17-19页 |
| 2.4.1 二部图的网络结构 | 第17页 |
| 2.4.2 基于二部图的推荐算法 | 第17-18页 |
| 2.4.3 基于二部图推荐算法的优缺点 | 第18-19页 |
| 2.5 基于信任的推荐算法 | 第19页 |
| 2.6 混合推荐算法 | 第19-21页 |
| 2.7 随机森林算法 | 第21-23页 |
| 2.7.1 决策树简介 | 第21-23页 |
| 2.7.2 随机森林概述 | 第23页 |
| 2.8 推荐系统评价指标 | 第23-25页 |
| 2.9 本章小结 | 第25-26页 |
| 第三章 基于二部图的个性化推荐系统设计 | 第26-33页 |
| 3.1 个性化推荐系统概述 | 第26-27页 |
| 3.2 推荐系统总体设计 | 第27-29页 |
| 3.2.1 模块结构设计 | 第27-28页 |
| 3.2.2 系统配置方案设计 | 第28-29页 |
| 3.3 推荐系统具体模块设计 | 第29-32页 |
| 3.3.1 数据存储模块 | 第29-30页 |
| 3.3.2 数据预处理模块 | 第30-32页 |
| 3.3.3 个性化推荐模块 | 第32页 |
| 3.3.4 Web UI模块 | 第32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 基于二部图的推荐算法改进和融合方法研究 | 第33-49页 |
| 4.1 问题提出 | 第33-34页 |
| 4.2 资源分配策略 | 第34-37页 |
| 4.2.1 常用相似度计算方法 | 第34-35页 |
| 4.2.2 改进权重和相似度的加权二部图推荐方法 | 第35-37页 |
| 4.3 基于随机森林修正的加权二部图推荐算法 | 第37-39页 |
| 4.3.1 算法流程 | 第37页 |
| 4.3.2 随机森林分类模型构建 | 第37-38页 |
| 4.3.3 生成推荐 | 第38-39页 |
| 4.4 引入信任网络的二部图推荐算法 | 第39-43页 |
| 4.4.1 算法流程 | 第40页 |
| 4.4.2 用户信任度计算 | 第40-42页 |
| 4.4.3 生成推荐 | 第42-43页 |
| 4.5 实验结果对比与分析 | 第43-47页 |
| 4.5.1 相似度计算方法评价 | 第43页 |
| 4.5.2 基于随机森林修正的加权二部图推荐算法分析 | 第43-46页 |
| 4.5.3 引入信任网络的二部图推荐算法分析 | 第46-47页 |
| 4.6 本章小结 | 第47-49页 |
| 第五章 基于二部图的个性化推荐系统展示 | 第49-59页 |
| 5.1 数据展示 | 第49-50页 |
| 5.2 数据分析与可视化展示 | 第50-53页 |
| 5.2.1 用户分析界面展示 | 第50-51页 |
| 5.2.2 电影分析界面展示 | 第51-53页 |
| 5.3 用户推荐和个性化分析 | 第53-56页 |
| 5.3.1 推荐结果展示 | 第53-54页 |
| 5.3.2 用户个性化特征分析 | 第54-56页 |
| 5.4 算法对比 | 第56-58页 |
| 5.4.1 参数选取 | 第56-57页 |
| 5.4.2 算法效率对比 | 第57-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第六章 总结展望 | 第59-61页 |
| 6.1 主要结论 | 第59页 |
| 6.2 研究展望 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 在学期间的研究成果 | 第64-65页 |
| 致谢 | 第65页 |