第一章 绪论 | 第1-15页 |
·选题背景和意义 | 第9-10页 |
·选题背景 | 第9页 |
·选题意义 | 第9-10页 |
·研究现状 | 第10-12页 |
·国外研究状况 | 第10-11页 |
·国内研究状况 | 第11-12页 |
·论文内容 | 第12-13页 |
·论文组织 | 第13页 |
·创新点 | 第13-15页 |
第二章 个性化信息服务与个性化信息推荐系统 | 第15-29页 |
·个性化信息服务的背景 | 第15-18页 |
·信息环境的变化 | 第15页 |
·搜索引擎的不足 | 第15页 |
·传统的定题服务(SDI)的不足 | 第15-16页 |
·个性化信息服务的优点 | 第16-17页 |
·个性化信息服务与SDI 的比较 | 第17-18页 |
·个性化信息服务的内涵与特征 | 第18-21页 |
·广义的个性化信息服务 | 第18页 |
·狭义的个性化信息服务 | 第18-19页 |
·个性化信息服务的特点 | 第19-21页 |
·个性化信息服务研究的基本问题 | 第21页 |
·个性化信息推荐系统 | 第21-23页 |
·个性化信息推荐系统的关键技术 | 第22页 |
·个性化信息推荐系统的基本要求 | 第22-23页 |
·个性化信息推荐系统体系结构 | 第23-28页 |
·基于关联规则的个性化信息推荐系统 | 第23-24页 |
·基于信息过滤的个性化信息推荐系统 | 第24-27页 |
·个性化信息推荐系统之间的比较 | 第27-28页 |
·小结 | 第28-29页 |
第三章 个性化信息服务关键技术 ——内容过滤技术 | 第29-51页 |
·用户模型 | 第30-41页 |
·用户描述文件 | 第30-37页 |
·用户描述文件(profile)的表达 | 第37-40页 |
·用户模型的更新 | 第40-41页 |
·资源的表达 | 第41-43页 |
·基于内容的资源表达 | 第41-42页 |
·基于分类的资源表达 | 第42-43页 |
·相似度计算 | 第43-44页 |
·矢量空间模型的相似度计算方法 | 第43页 |
·概率模型的相似度计算方法 | 第43-44页 |
·神经网络 | 第44页 |
·遗传算法 | 第44页 |
·改进的概率模型表示法 | 第44-50页 |
·资源的表达 | 第45-47页 |
·用户的表达 | 第47-48页 |
·相似度的计算 | 第48-49页 |
·生成推荐结果 | 第49页 |
·基于分类的内容过滤的算法 | 第49-50页 |
·小结 | 第50-51页 |
第四章 个性化信息服务关键技术——协同过滤技术 | 第51-65页 |
·协同过滤算法分类 | 第52-53页 |
·基于内存的协同过滤 | 第52页 |
·基于模型的协同过滤 | 第52-53页 |
·基于最近近邻法的协同过滤算法 | 第53-57页 |
·算法流程 | 第54-56页 |
·例子 | 第56-57页 |
·算法 | 第57页 |
·基于分类的协同过滤推荐 | 第57-64页 |
·原始评价值 | 第57-58页 |
·资源分类和用户分类 | 第58-59页 |
·用户权威性 | 第59-61页 |
·相似性计算 | 第61页 |
·生成推荐结果 | 第61-62页 |
·算法流程 | 第62-63页 |
·基于分类的协同过滤的算法 | 第63-64页 |
·小结 | 第64-65页 |
第五章 个性化信息服务关键技术-----聚类分析 | 第65-77页 |
·聚类方法 | 第66-67页 |
·K-means 聚类算法 | 第67-68页 |
·K-means 聚类算法过程 | 第67-68页 |
·Kmeans 聚类的算法 | 第68页 |
·矩阵聚类算法(MCA) | 第68-70页 |
·矩阵聚类算法过程 | 第68-69页 |
·矩阵聚类的算法 | 第69-70页 |
·类层次结构算法(Buildclassification) | 第70-71页 |
·基于知识时间性的推荐算法 | 第71-74页 |
·算法过程 | 第72-74页 |
·改进的矩阵聚类算法 | 第74页 |
·推荐结果的整理和合并 | 第74-75页 |
·小结 | 第75-77页 |
第六章 结论 | 第77-79页 |
·本文完成的主要工作与贡献 | 第77-78页 |
·对今后工作的展望 | 第78-79页 |
参考文献 | 第79-82页 |
摘要 | 第82-86页 |
致谢 | 第86-87页 |
导师及作者简介 | 第87-90页 |