| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-18页 |
| 1.1 研究背景和意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11-13页 |
| 1.3 推荐算法面临的问题和挑战 | 第13-15页 |
| 1.4 本文研究工作与组织结构 | 第15-17页 |
| 1.5 本章小结 | 第17-18页 |
| 第二章 个性化推荐系统及相关技术 | 第18-29页 |
| 2.1 个性化推荐系统 | 第18-23页 |
| 2.1.1 个性化推荐系统概述 | 第18-19页 |
| 2.1.2 个性化推荐系统的分类 | 第19-21页 |
| 2.1.3 推荐系统的组织架构 | 第21-23页 |
| 2.2 推荐算法 | 第23-27页 |
| 2.2.1 典型推荐算法概述 | 第23-24页 |
| 2.2.2 基于关联规则的推荐算法 | 第24页 |
| 2.2.3 基于内容的推荐算法 | 第24-25页 |
| 2.2.4 基于效用的推荐算法 | 第25页 |
| 2.2.5 基于知识的推荐算法 | 第25-26页 |
| 2.2.6 基于用户统计信息的推荐算法 | 第26页 |
| 2.2.7 协同过滤算法 | 第26-27页 |
| 2.3 协同过滤算法 | 第27-28页 |
| 2.3.1 协同过滤算法概述 | 第27页 |
| 2.3.2 基于用户的协同过滤算法 | 第27-28页 |
| 2.3.3 基于项目的协同过滤算法 | 第28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于用户对服务属性偏爱的协同过滤算法改进 | 第29-38页 |
| 3.1 数据稀疏性问题 | 第29-31页 |
| 3.1.1 稀疏性问题的主要成因 | 第29-30页 |
| 3.1.2 稀疏性问题的解决方法 | 第30-31页 |
| 3.2 传统的协同过滤算法 | 第31-32页 |
| 3.3 基于用户对服务属性偏好的协同过滤改进算法 | 第32-37页 |
| 3.3.1 推荐模型架构 | 第32-33页 |
| 3.3.2 服务属性相似性 | 第33-34页 |
| 3.3.3 用户服务属性偏好 | 第34-35页 |
| 3.3.4 基于用户对服务属性偏好的协同过滤改进算法实现 | 第35-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 基于项目属性和类型的协同过滤混合算法改进 | 第38-52页 |
| 4.1 推荐系统中用户行为信息获取方法 | 第38-39页 |
| 4.2 基于项目属性的协同过滤算法改进 | 第39-45页 |
| 4.2.1 基于项目属性的协同过滤算法的改进策略 | 第41-42页 |
| 4.2.2 基于项目属性的协同过滤算法改进 | 第42-45页 |
| 4.3 基于项目类别的协同过滤算法改进 | 第45-49页 |
| 4.3.1 基于项目类别的协同过滤算法的改进策略 | 第45-46页 |
| 4.3.2 基于项目类别的协同过滤算法改进 | 第46-49页 |
| 4.4 基于项目属性和类别的协同过滤混合算法改进 | 第49-50页 |
| 4.5 本章小结 | 第50-52页 |
| 第五章 实验设计与结果分析 | 第52-68页 |
| 5.1 环境配置 | 第52页 |
| 5.2 应用系统设计 | 第52-55页 |
| 5.2.1 实现方法 | 第53页 |
| 5.2.2 功能模块 | 第53-55页 |
| 5.3 数据库设计 | 第55-56页 |
| 5.4 功能模块实现 | 第56-58页 |
| 5.5 实验结果与分析 | 第58-67页 |
| 5.5.1 电影推荐系统使用 | 第58-59页 |
| 5.5.2 实验数据集 | 第59页 |
| 5.5.3 评测标准 | 第59页 |
| 5.5.4 基于用户对服务属性偏爱的协同过滤改进算法实验与分析 | 第59-63页 |
| 5.5.5 基于项目属性和类别的混合协同过滤改进算法实验与分析 | 第63-67页 |
| 5.6 本章小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 总结 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-74页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第74页 |
