| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-13页 |
| ·研究背景和意义 | 第9页 |
| ·研究现状 | 第9-10页 |
| ·课题来源 | 第10页 |
| ·本文研究内容及结构 | 第10-13页 |
| 第2章 相关研究综述 | 第13-21页 |
| ·个性化推荐技术 | 第13-15页 |
| ·基于内容的推荐 | 第13-14页 |
| ·基于协作的推荐 | 第14-15页 |
| ·基于组合的推荐 | 第15页 |
| ·文本分类算法 | 第15-18页 |
| ·朴素贝叶斯方法 | 第16页 |
| ·支持向量机 | 第16-17页 |
| ·决策树方法 | 第17页 |
| ·K 近邻法 | 第17-18页 |
| ·用户个性化信息获取 | 第18-19页 |
| ·显式获取用户信息 | 第18页 |
| ·隐式获取用户信息 | 第18-19页 |
| ·本章小结 | 第19-21页 |
| 第3章 基于用户隐式反馈的个性化资讯推荐系统 | 第21-29页 |
| ·个性化推荐系统框架 | 第21-23页 |
| ·系统框架 | 第21-22页 |
| ·基本工作流程 | 第22-23页 |
| ·资讯获取模块 | 第23-24页 |
| ·信息过滤与用户兴趣学习 | 第24-27页 |
| ·信息过滤模块 | 第24-25页 |
| ·用户兴趣学习模块 | 第25-27页 |
| ·行为分析模块 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第4章 基于改进朴素贝叶斯分类器的信息过滤技术研究 | 第29-41页 |
| ·朴素贝叶斯分类器的相关改进 | 第29-30页 |
| ·基于尾项调整的朴素贝叶斯分类算法 | 第30-35页 |
| ·尾项调整方法原理简述 | 第30-32页 |
| ·基于尾项调整的朴素贝叶斯分类器算法 | 第32-35页 |
| ·实验结果与分析 | 第35-39页 |
| ·实验数据与测评指标 | 第35-36页 |
| ·实验结果 | 第36-37页 |
| ·实验结果分析 | 第37-39页 |
| ·本章小结 | 第39-41页 |
| 第5章 基于隐马尔可夫模型的用户行为建模与兴趣预测 | 第41-61页 |
| ·隐马尔可夫模型 | 第41-42页 |
| ·用户行为建模 | 第42-44页 |
| ·用户兴趣预测 | 第44-45页 |
| ·用户行为模型更新 | 第45-48页 |
| ·实验数据收集与分析 | 第48-52页 |
| ·实验数据收集工具 | 第48-50页 |
| ·被试信息 | 第50页 |
| ·实验数据来源 | 第50页 |
| ·实验数据收集过程 | 第50-51页 |
| ·实验数据分析 | 第51-52页 |
| ·实验结果与分析 | 第52-58页 |
| ·用户行为模型静态更新策略实验 | 第53-56页 |
| ·用户行为模型动态更新策略实验 | 第56-58页 |
| ·本章小结 | 第58-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间发表的学术论文 | 第67-69页 |
| 致谢 | 第69页 |