| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 主要符号对照表 | 第10-13页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 协同过滤推荐算法国内外研究现状 | 第14-17页 |
| 1.2.1 推荐结果精度优化的国内外研究现状 | 第14-16页 |
| 1.2.2 推荐结果个性化程度优化的国内外研究现状 | 第16页 |
| 1.2.3 算法时间效率优化的国内外研究现状 | 第16-17页 |
| 1.3 论文主要工作与组织结构 | 第17-21页 |
| 1.3.1 论文的主要工作 | 第17-19页 |
| 1.3.2 论文的组织结构 | 第19-21页 |
| 第2章 基于相关加权和项目最优加权融合的项目协同过滤算法 | 第21-35页 |
| 2.1 基于项目协同过滤算法的流程及其存在的问题 | 第21-23页 |
| 2.2 相关加权和项目最优加权融合的协同过滤推荐算法 | 第23-28页 |
| 2.2.1 相关加权模型对相似度计算及预测评分的影响 | 第23-24页 |
| 2.2.2 项目最优加权模型对相似度计算及预测评分的影响 | 第24-25页 |
| 2.2.3 相关加权及项目最优加权融合模型 | 第25-28页 |
| 2.3 算法实验验证及实验结果分析 | 第28-33页 |
| 2.3.1 实验设置 | 第28-30页 |
| 2.3.2 实验结果及分析 | 第30-33页 |
| 2.4 小结 | 第33-35页 |
| 第3章 基于用户类目偏好的项目协同过滤推荐算法 | 第35-47页 |
| 3.1 用户类目偏好分析 | 第35-36页 |
| 3.2 基于用户类目偏好的协同过滤推荐算法 | 第36-41页 |
| 3.2.1 用户类目偏好相关定义 | 第36-39页 |
| 3.2.2 基于用户类目偏好的协同过滤推荐算法步骤 | 第39-40页 |
| 3.2.3 基于用户类目偏好的协同过滤推荐算法理论分析 | 第40-41页 |
| 3.3 算法实验验证及实验结果分析 | 第41-45页 |
| 3.3.1 实验设置 | 第41-42页 |
| 3.3.2 实验结果及分析 | 第42-45页 |
| 3.4 小结 | 第45-47页 |
| 第4章 基于朴素贝叶斯回归模型的协同过滤推荐算法 | 第47-59页 |
| 4.1 朴素贝叶斯回归模型 | 第47-50页 |
| 4.1.1 朴素贝叶斯分类器 | 第47-48页 |
| 4.1.2 朴素贝叶斯回归模型 | 第48-50页 |
| 4.2 基于朴素贝叶斯回归模型的协同过滤推荐算法 | 第50-53页 |
| 4.2.1 基于朴素贝叶斯回归模型的协同过滤推荐算法流程 | 第50-52页 |
| 4.2.2 基于朴素贝叶斯回归模型的协同过滤推荐算法分析 | 第52-53页 |
| 4.3 算法实验验证及实验结果分析 | 第53-57页 |
| 4.3.1 实验设置 | 第53-54页 |
| 4.3.2 实验结果及分析 | 第54-57页 |
| 4.4 小结 | 第57-59页 |
| 第5章 基于并行朴素贝叶斯回归模型的推荐算法及其在HADOOP上的并行化 | 第59-71页 |
| 5.1 基于并行朴素贝叶斯回归模型的协同过滤推荐算法理论分析 | 第59-61页 |
| 5.1.1 算法时空开销讨论 | 第59-61页 |
| 5.1.2 基于朴素贝叶斯回归模型的协同过滤推荐算法内在并行性分析 | 第61页 |
| 5.2 基于朴素贝叶斯回归模型的推荐算法在Hadoop平台上的实现 | 第61-67页 |
| 5.2.1 Hadoop分布式平台 | 第61-62页 |
| 5.2.2 并行化的基于朴素贝叶斯回归模型的协同过滤推荐算法流程 | 第62-67页 |
| 5.3 算法实验验证及实验结果分析 | 第67-70页 |
| 5.3.1 实验设置 | 第67-68页 |
| 5.3.2 实验结果及分析 | 第68-70页 |
| 5.4 小结 | 第70-71页 |
| 第6章 总结与展望 | 第71-75页 |
| 6.1 各方法优缺点分析比较与总结 | 第71-72页 |
| 6.2 本文工作总结 | 第72-74页 |
| 6.3 研究展望 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-81页 |
| 个人简历、在学期间发表的学术论文及研究成果 | 第81-82页 |
