基于web日志挖掘的个性化推荐策略及电影推荐系统设计
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第13-18页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.1.1 研究背景 | 第13-14页 |
| 1.1.2 研究意义 | 第14页 |
| 1.2 推荐系统研究现状 | 第14-16页 |
| 1.3 主要研究内容 | 第16-17页 |
| 1.4 论文组织结构 | 第17-18页 |
| 第2章 推荐系统理论基础 | 第18-25页 |
| 2.1 数据挖掘技术 | 第18-20页 |
| 2.1.1 Web数据挖掘分类 | 第18-20页 |
| 2.1.2 Web使用挖掘的过程 | 第20页 |
| 2.2 相似度计算方法 | 第20-22页 |
| 2.3 推荐算法 | 第22-24页 |
| 2.3.1 基于内容推荐 | 第22-23页 |
| 2.3.2 协同过滤推荐技术 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于web日志挖掘的个性化推荐策略 | 第25-35页 |
| 3.1 提出问题及现有的解决方法 | 第25-26页 |
| 3.1.1 提出问题 | 第25页 |
| 3.1.2 现有的解决办法 | 第25-26页 |
| 3.2 改进推荐策略设计思路 | 第26-27页 |
| 3.3 改进算法流程 | 第27-31页 |
| 3.3.1 用户评分相似度计算 | 第27页 |
| 3.3.2 用户兴趣相似度计算 | 第27-29页 |
| 3.3.3 相似度计算 | 第29-30页 |
| 3.3.4 寻找近邻用户 | 第30页 |
| 3.3.5 产生推荐 | 第30-31页 |
| 3.4 实验设计与算法评测 | 第31-34页 |
| 3.4.1 数据集 | 第31页 |
| 3.4.2 评测指标 | 第31-32页 |
| 3.4.3 实验设计 | 第32-33页 |
| 3.4.4 实验结果分析 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 个性化电影推荐系统分析与设计 | 第35-68页 |
| 4.1 系统设计目标 | 第35-36页 |
| 4.1.1 设计背景 | 第35页 |
| 4.1.2 设计目标 | 第35-36页 |
| 4.2 系统需求分析 | 第36-39页 |
| 4.2.1 结构需求 | 第36-37页 |
| 4.2.2 功能需求 | 第37-39页 |
| 4.2.3 性能需求 | 第39页 |
| 4.3 系统业务流程分析 | 第39-40页 |
| 4.4 系统详细设计 | 第40-61页 |
| 4.4.1 系统总体架构设计 | 第40-41页 |
| 4.4.2 系统功能模块设计 | 第41-42页 |
| 4.4.3 用户兴趣模型设计 | 第42-44页 |
| 4.4.4 数据来源 | 第44-46页 |
| 4.4.5 数据收集模块详细设计 | 第46-50页 |
| 4.4.6 数据处理模块详细设计 | 第50-57页 |
| 4.4.7 推荐模块详细设计 | 第57-61页 |
| 4.5 数据库设计 | 第61-67页 |
| 4.6 本章小结 | 第67-68页 |
| 第5章 个性化电影推荐系统实现及测试 | 第68-86页 |
| 5.1 数据收集模块实现 | 第68-70页 |
| 5.2 数据处理模块实现 | 第70-75页 |
| 5.2.1 数据清理 | 第70-72页 |
| 5.2.2 用户识别 | 第72-73页 |
| 5.2.3 用户兴趣度计算 | 第73-75页 |
| 5.3 推荐模块实现 | 第75-78页 |
| 5.3.1 寻找最近邻居 | 第75-77页 |
| 5.3.2 产生推荐 | 第77-78页 |
| 5.4 系统测试 | 第78-85页 |
| 5.4.1 测试环境 | 第78页 |
| 5.4.2 功能测试 | 第78-84页 |
| 5.4.3 性能测试 | 第84-85页 |
| 5.5 本章小结 | 第85-86页 |
| 第6章 总结与展望 | 第86-88页 |
| 6.1 总结 | 第86-87页 |
| 6.2 下一步工作 | 第87-88页 |
| 参考文献 | 第88-92页 |
| 致谢 | 第92-93页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第93页 |
