| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 推荐算法研究现状 | 第10-13页 |
| 1.3 本章小结 | 第13页 |
| 1.4 论文的内容安排 | 第13-15页 |
| 第二章 协同过滤推荐算法 | 第15-28页 |
| 2.1 协同过滤推荐算法的起源与发展 | 第15-17页 |
| 2.2 评分预测问题 | 第17-20页 |
| 2.2.1 基于用户的协同过滤 | 第18-19页 |
| 2.2.2 基于项目的协同过滤 | 第19页 |
| 2.2.3 相似度计算 | 第19页 |
| 2.2.4 基于矩阵分解的协同过滤 | 第19-20页 |
| 2.3 TopN问题 | 第20-23页 |
| 2.3.1 基于用户或项目的协同过滤 | 第21-23页 |
| 2.3.2 基于随机游走的协同过滤 | 第23页 |
| 2.4 实验数据集 | 第23-24页 |
| 2.5 实验设计及评价指标 | 第24-27页 |
| 2.5.1 预测准确度 | 第24-25页 |
| 2.5.2 多样性 | 第25-27页 |
| 2.5.3 新颖性 | 第27页 |
| 2.6 本章小结 | 第27-28页 |
| 第三章 基于用户与项目特征的协同过滤推荐算法 | 第28-40页 |
| 3.1 用户兴趣特征对推荐过程的影响 | 第28-31页 |
| 3.1.1 项目间结构化相似性基本原理 | 第28-29页 |
| 3.1.2 用户兴趣特征对项目相似性的影响 | 第29-30页 |
| 3.1.3 一种修正的协同过滤 | 第30-31页 |
| 3.2 项目流行度对推荐过程的影响 | 第31-34页 |
| 3.2.1 流行度倾向 | 第31-32页 |
| 3.2.2 产生流行度倾向的原因 | 第32-34页 |
| 3.3 基于用户兴趣特征和项目流行度控制的协同过滤推荐算法 | 第34-35页 |
| 3.4 实验设计与分析 | 第35-38页 |
| 3.5 本章小结 | 第38-40页 |
| 第四章 基于项目聚类的协同过滤推荐算法 | 第40-53页 |
| 4.1 聚类分析和K-means算法 | 第41-45页 |
| 4.1.1 聚类分析概述 | 第41-44页 |
| 4.1.2 K-means算法 | 第44-45页 |
| 4.2 种基于项目聚类的协同过滤推荐算法 | 第45-49页 |
| 4.2.1 算法动机 | 第45-47页 |
| 4.2.2 项目聚类 | 第47页 |
| 4.2.3 用户归属度 | 第47-48页 |
| 4.2.4 分类推荐 | 第48-49页 |
| 4.3 实验设计与分析 | 第49-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-56页 |
| 5.1 总结 | 第53-54页 |
| 5.1.1 基于用户与项目特征的协同过滤推荐算法 | 第53-54页 |
| 5.1.2 基于聚类的协同过滤推荐算法 | 第54页 |
| 5.2 展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-61页 |
| 攻读学位期间发表的学术论文目录 | 第61页 |