| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第一章 绪论 | 第10-14页 |
| ·引言 | 第10-11页 |
| ·论文研究整体思路 | 第11-12页 |
| ·主要研究内容与章节安排 | 第12-13页 |
| ·主要研究内容 | 第12页 |
| ·章节安排 | 第12-13页 |
| ·本章小结 | 第13-14页 |
| 第二章 文献综述 | 第14-23页 |
| ·推荐系统及技术研究现状 | 第14-15页 |
| ·推荐系统研究现状 | 第14-15页 |
| ·推荐技术分类 | 第15页 |
| ·基于CBR 的推荐系统研究现状 | 第15-20页 |
| ·推荐系统实例简介 | 第20-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 相关理论介绍 | 第23-42页 |
| ·贝叶斯网络 | 第23-28页 |
| ·贝叶斯概率 | 第23-24页 |
| ·贝叶斯网络 | 第24-25页 |
| ·贝叶斯网络的结构 | 第25-26页 |
| ·几种常见的贝叶斯网络模型 | 第26-28页 |
| ·案例推理（CBR）技术 | 第28-35页 |
| ·CBR 概述 | 第28页 |
| ·案例推理过程 | 第28-35页 |
| ·基于贝叶斯网络的CBR 研究 | 第35-37页 |
| ·一种基于案例推理的概率模型 | 第35-36页 |
| ·现有的使用基于贝叶斯网络的CBR 系统实例 | 第36-37页 |
| ·模糊数学理论 | 第37-41页 |
| ·模糊集和模糊数 | 第38页 |
| ·三角模糊数 | 第38-39页 |
| ·不同数据类型的距离度量方法 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 第四章 基于Bayesian CBR 的推荐系统(BCRS)模型与算法设计 | 第42-61页 |
| ·BCRS 系统简介 | 第42页 |
| ·基于Bayesian CBR 的推荐系统(BCRS)模型 | 第42-57页 |
| ·案例库的设计 | 第44-45页 |
| ·数据信息的处理 | 第45-50页 |
| ·贝叶斯网络的构造 | 第50-54页 |
| ·基于贝叶斯网络的分类算法 | 第54-55页 |
| ·基于贝叶斯网络的案例检索 | 第55-57页 |
| ·实例分析 | 第57-59页 |
| ·本章小结 | 第59-61页 |
| 第五章 基于Bayesian CBR 的推荐系统(BCRS)的应用实现 | 第61-69页 |
| ·开发工具和实现平台 | 第61-62页 |
| ·系统中主要算法的实现方法 | 第62-66页 |
| ·动态聚类算法的实现 | 第62-64页 |
| ·梯度下降算法的实现 | 第64-65页 |
| ·分类算法的实现 | 第65-66页 |
| ·实例演示 | 第66-68页 |
| ·推荐实例 | 第66-67页 |
| ·试验结果与分析 | 第67-68页 |
| ·本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-71页 |
| ·全文总结 | 第69页 |
| ·有待进一步改进和深入研究之处 | 第69-71页 |
| 参考文献 | 第71-77页 |
| 致谢 | 第77页 |
