| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 课题研究背景及意义 | 第14-15页 |
| 1.2 推荐系统介绍 | 第15-18页 |
| 1.3 成熟的推荐系统应用 | 第18-19页 |
| 1.3.1 电子商务推荐系统应用 | 第18页 |
| 1.3.2 web 2.0 应用中的推荐功能 | 第18-19页 |
| 1.4 本文组织结构 | 第19-22页 |
| 第二章 推荐系统研究概述 | 第22-32页 |
| 2.1 推荐系统的研究内容 | 第22-24页 |
| 2.1.1 推荐系统分类 | 第22页 |
| 2.1.2 推荐系统的研究方向 | 第22-23页 |
| 2.1.3 待解决的主要问题 | 第23-24页 |
| 2.2 推荐系统的实现技术途径 | 第24-31页 |
| 2.2.1 基于协同过滤的推荐系统 | 第25-28页 |
| 2.2.2 基于内容过滤的推荐系统 | 第28-29页 |
| 2.2.3 基于数据挖掘的推荐系统 | 第29-30页 |
| 2.2.4 基于混合算法的推荐系统 | 第30-31页 |
| 2.3 主要推荐方法对比 | 第31-32页 |
| 第三章 改进型的基于用户的协同过滤推荐 | 第32-46页 |
| 3.1 传统协同过滤推荐算法概述 | 第32-33页 |
| 3.2 基于用户的协同过滤推荐技术 | 第33-38页 |
| 3.2.1 传统的基于用户的协同过滤推荐技术 | 第33-38页 |
| 3.2.2 传统的基于用户的协同过滤推荐技术的优缺点 | 第38页 |
| 3.3 基于GRNN神经网络改进的协同过滤算法 | 第38-44页 |
| 3.3.1 GRNN神经网络概述 | 第38-41页 |
| 3.3.2 GRNN神经网络的优点 | 第41页 |
| 3.3.3 基于GRNN神经网络改进的协同过滤推荐算法 | 第41-44页 |
| 3.4 本章总结 | 第44-46页 |
| 第四章 基于GA改进的强关联规则推荐算法 | 第46-58页 |
| 4.1 基于关联规则的推荐技术 | 第46-48页 |
| 4.1.1 关联规则背景介绍 | 第46页 |
| 4.1.2 关联规则挖掘问题描述 | 第46-48页 |
| 4.2 基于强关联规则的推荐技术 | 第48-51页 |
| 4.2.1 强关联规则定义 | 第48-49页 |
| 4.2.2 强关联规则集合挖掘算法 | 第49-51页 |
| 4.3 基于GA算法的支持度阈值和置信度阈值的最优值选择 | 第51-56页 |
| 4.3.1 改进遗传优化算法 | 第51-53页 |
| 4.3.2 基于改进遗传优化的强关联规则推荐算法 | 第53-56页 |
| 4.4 本章小结 | 第56-58页 |
| 第五章 改进型关联规则和协同过滤的Top-N混合推荐算法 | 第58-70页 |
| 5.1 混合推荐算法的产生 | 第58-61页 |
| 5.1.1 混合算法原理 | 第58页 |
| 5.1.2 混合算法模型 | 第58-61页 |
| 5.2 混合型Top-N推荐算法的实验及分析 | 第61-68页 |
| 5.2.1 实验数据来源 | 第61-62页 |
| 5.2.2 实验设计 | 第62-63页 |
| 5.2.3 多重交叉验证 | 第63页 |
| 5.2.4 实验一推荐结果对比及分析 | 第63-64页 |
| 5.2.5 实验二准确率指标对比 | 第64-67页 |
| 5.2.6 实验三时间性能对比 | 第67-68页 |
| 5.3 本章总结 | 第68-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 总结 | 第70页 |
| 6.2 展望 | 第70-72页 |
| 参考文献 | 第72-74页 |
| 致谢 | 第74-76页 |
| 作者简介 | 第76-77页 |
