| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 目录 | 第7-9页 |
| 第1章 引言 | 第9-12页 |
| ·研究背景 | 第9-10页 |
| ·本文的研究内容 | 第10-11页 |
| ·本文的组织结构 | 第11-12页 |
| 第2章 个性化推荐技术 | 第12-20页 |
| ·个性化推荐的优势 | 第12-14页 |
| ·主要推荐技术 | 第14-20页 |
| ·基于协同过滤的推荐 | 第14-17页 |
| ·基于内容的推荐 | 第17-18页 |
| ·其他推荐方法 | 第18-20页 |
| 第3章 协同过滤算法分析 | 第20-30页 |
| ·基于内存(Memory-based)的协同过滤 | 第20-28页 |
| ·基于用户(ltem-based)的协同过滤 | 第20-24页 |
| ·基于项目(ltem-based)的协同过滤 | 第24-28页 |
| ·基于模型的协同过滤 | 第28-30页 |
| ·基于贝叶斯网络 | 第28-29页 |
| ·关联规则 | 第29-30页 |
| 第4章 基于改进的Slope one算法和用户聚类的混合推荐 | 第30-41页 |
| ·Slope one算法介绍 | 第30-33页 |
| ·一种处理用户-项目评价矩阵的方式 | 第30-31页 |
| ·Slope one(斜坡算法) | 第31-33页 |
| ·Slope one算法的两种改进方案 | 第33-35页 |
| ·加权Slope one(Weighted Slope one)算法 | 第33-34页 |
| ·Rating-Slope one算法(评分系数Slope one) | 第34-35页 |
| ·基于改进的Slope one算法和用户聚类的混合推荐 | 第35-41页 |
| ·加权Slope one与R-Slope one算法的不足 | 第35-36页 |
| ·聚类算法 | 第36-39页 |
| ·基于用户聚类的混合推荐算法 | 第39-41页 |
| 第5章 实验分析与算法应用模型 | 第41-59页 |
| ·实验数据集 | 第41-43页 |
| ·实验工具Weka | 第43-45页 |
| ·实验平台 | 第45页 |
| ·评价标准 | 第45-46页 |
| ·实验设计 | 第46-47页 |
| ·实验结果与分析 | 第47-57页 |
| ·WSO-UC、RSO-UC与Slope one、WSO、R-Slope one的实验比较 | 第48-51页 |
| ·WSO-UC、RSO-UC与其他常用协同过滤算法的比较 | 第51-57页 |
| ·实验结论 | 第57页 |
| ·推荐系统模型的建立 | 第57-59页 |
| 第6章 总结与展望 | 第59-61页 |
| ·总结 | 第59页 |
| ·进一步工作 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
