| 摘要 | 第1-6页 |
| Abstract | 第6-14页 |
| 1 绪论 | 第14-20页 |
| ·课题研究背景 | 第14页 |
| ·国内外研究现状 | 第14-19页 |
| ·本文研究的主要内容 | 第19-20页 |
| 2 推荐系统相关理论研究 | 第20-30页 |
| ·推荐系统 | 第20页 |
| ·协同过滤推荐算法 | 第20-22页 |
| ·基于用户的协同过滤 | 第21页 |
| ·基于项目的协同过滤 | 第21-22页 |
| ·基于内容的推荐系统 | 第22-25页 |
| ·混合推荐 | 第25-27页 |
| ·加权混合(Weighted hybrid) | 第25页 |
| ·转换混合(Switching hybrid) | 第25页 |
| ·合并混合(Mixed hybrid) | 第25-26页 |
| ·特征组合混合(Feature combination hybrid) | 第26页 |
| ·级联混合(Cascade hybrid) | 第26页 |
| ·特征增强混合(Feature augmentation hybrid) | 第26-27页 |
| ·元层次混合(Meta-level hybrid) | 第27页 |
| ·推荐技术中常用的算法 | 第27-30页 |
| ·余弦相似性(Cosine) | 第27页 |
| ·修正的余弦相似性(AdjustedCosine) | 第27-28页 |
| ·皮尔森相似性(Pearson similarity) | 第28页 |
| ·评分预测 | 第28-29页 |
| ·Top-N推荐 | 第29-30页 |
| 3 基于自然遗忘的协同过滤算法 | 第30-34页 |
| ·艾宾浩斯遗忘曲线 | 第30页 |
| ·艾宾浩斯遗忘曲线描述 | 第30-31页 |
| ·遗忘函数 | 第31-32页 |
| ·具有记忆效应的相似度计算 | 第32-33页 |
| ·算法流程 | 第33-34页 |
| 4 实验设计及结果分析 | 第34-41页 |
| ·推荐系统性能评测标准 | 第34-35页 |
| ·实验数据准备与设计 | 第35-37页 |
| ·数据准备 | 第35-36页 |
| ·实验设计 | 第36-37页 |
| ·实验结果分析 | 第37-41页 |
| ·实验一 | 第37-39页 |
| ·实验二 | 第39-41页 |
| 5 推荐系统中冷启动的解决方案研究 | 第41-47页 |
| ·不考虑内容的解决方法 | 第41-43页 |
| ·随机推荐或热门推荐 | 第41-42页 |
| ·缺省值填充 | 第42页 |
| ·改进的相似度度量法 | 第42-43页 |
| ·结合内容信息的解决方法 | 第43-44页 |
| ·基于评分矩阵扩充的方法 | 第43页 |
| ·构建概率统计模型的方法 | 第43页 |
| ·与机器学习相结合的方法 | 第43-44页 |
| ·用户社区划分解决冷启动问题 | 第44-47页 |
| ·算法流程 | 第44-45页 |
| ·算法验证 | 第45-46页 |
| ·实验结论 | 第46-47页 |
| 6 结论 | 第47-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 作者简介及读研期间主要科研成果 | 第53页 |
