| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 推荐系统的研究背景和意义 | 第8-9页 |
| 1.2 推荐系统的发展现状 | 第9-12页 |
| 1.3 本文安排 | 第12-14页 |
| 第二章 个性化推荐系统概述 | 第14-28页 |
| 2.1 推荐算法的分类 | 第14-20页 |
| 2.1.1 协同过滤推荐算法 | 第14-17页 |
| 2.1.2 基于内容的推荐算法 | 第17-18页 |
| 2.1.3 基于关联规则的推荐算法 | 第18页 |
| 2.1.4 基于知识的推荐 | 第18-19页 |
| 2.1.5 混合推荐算法 | 第19-20页 |
| 2.2 协同过滤推荐系统的一般过程 | 第20-23页 |
| 2.2.1 构建用户-项目评分矩阵 | 第21页 |
| 2.2.2 生成最近邻集 | 第21-23页 |
| 2.2.3 生成推荐列表 | 第23页 |
| 2.3 推荐系统的几大技术难题 | 第23-25页 |
| 2.3.1 数据稀疏性问题 | 第23-24页 |
| 2.3.2 可扩展性差 | 第24页 |
| 2.3.3 稳定性问题 | 第24页 |
| 2.3.4 隐私保护问题 | 第24-25页 |
| 2.4 推荐系统性能的评价标准 | 第25-28页 |
| 2.4.1 预测准确度 | 第25-26页 |
| 2.4.2 分类准确度 | 第26页 |
| 2.4.3 其他的评价标准 | 第26-28页 |
| 第三章 奇异值分解与支持向量机算法概述 | 第28-40页 |
| 3.1 奇异值分解算法提出背景 | 第28页 |
| 3.2 矩阵奇异值分解的理论背景 | 第28-36页 |
| 3.2.1 矩阵奇异值分解的数学理论概述 | 第28-32页 |
| 3.2.2 基于奇异值分解的协同过滤推荐算法理论概述 | 第32-36页 |
| 3.3 支持向量机的应用背景 | 第36页 |
| 3.4 支持向量机的理论概述 | 第36-40页 |
| 第四章 基于SVD-SVM的协同过滤算法理论概述 | 第40-46页 |
| 4.1 基于标准SVM的推荐算法 | 第40-41页 |
| 4.2 基于KNN与SVM的混合协同过滤推荐算法 | 第41-42页 |
| 4.2.1 数据预处理 | 第41-42页 |
| 4.3 基于SVD-SVM的协同过滤算法概述 | 第42-46页 |
| 4.3.1 基于SVD-KNN的稀疏评分矩阵填补 | 第42-44页 |
| 4.3.2 基于SVM的分类预测 | 第44-46页 |
| 第五章 实证研究与结果分析 | 第46-50页 |
| 5.1 实验数据 | 第46页 |
| 5.2 评价标准 | 第46-47页 |
| 5.3 实验结果与分析 | 第47-50页 |
| 第六章 总结与展望 | 第50-52页 |
| 6.1 总结 | 第50页 |
| 6.2 对未来的展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 攻读硕士期间完成的论文情况 | 第56-58页 |
| 致谢 | 第58页 |