| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文的研究内容和创新 | 第13-14页 |
| 1.4 论文的组织安排 | 第14-15页 |
| 第二章 协同过滤算法及相关技术研究 | 第15-34页 |
| 2.1 推荐系统概述 | 第15-19页 |
| 2.1.1 基于内容的推荐系统概述 | 第15-16页 |
| 2.1.2 协同过滤推荐系统概述 | 第16-18页 |
| 2.1.3 混合推荐系统概述 | 第18-19页 |
| 2.2 协同过滤算法研究 | 第19-24页 |
| 2.2.1 基于用户的协同过滤算法 | 第19-21页 |
| 2.2.2 基于项目的协同过滤算法 | 第21-24页 |
| 2.2.3 基于模型的协同过滤算法 | 第24页 |
| 2.3 频繁模式挖掘理论研究 | 第24-28页 |
| 2.3.1 频繁项集定义 | 第24-25页 |
| 2.3.2 Apriori算法 | 第25-26页 |
| 2.3.3 FP-Growth算法 | 第26-28页 |
| 2.4 聚类算法研究 | 第28-32页 |
| 2.4.1 聚类算法概述 | 第28-30页 |
| 2.4.2 K-means算法 | 第30-32页 |
| 2.5 推荐系统评估方法研究 | 第32-33页 |
| 2.6 本章小结 | 第33-34页 |
| 第三章 基于频繁模式挖掘和用户聚类改进的协同过滤推荐算法 | 第34-55页 |
| 3.1 协同过滤数据稀疏问题研究 | 第34-35页 |
| 3.2 基于FP-Growth的评分填充方法描述 | 第35-42页 |
| 3.2.1 用户评分研究 | 第36-37页 |
| 3.2.2 利用FP-Growth算法处理评分矩阵 | 第37-39页 |
| 3.2.3 填充评分计算方法描述 | 第39-42页 |
| 3.3 协同过滤可扩展性问题研究 | 第42-43页 |
| 3.4 融合项目标签下用户聚类和用户标签下用户分类的近邻选择方法 | 第43-49页 |
| 3.4.1 K-means初始中心点选取及孤立点排除方法描述 | 第44-45页 |
| 3.4.2 基于项目标签的用户聚类 | 第45-48页 |
| 3.4.3 改进的近邻选择方法描述 | 第48-49页 |
| 3.5 基于频繁模式挖掘和用户聚类改进的协同过滤推荐算法描述及实现 | 第49-53页 |
| 3.5.1 算法描述 | 第49-50页 |
| 3.5.2 算法模块划分 | 第50-51页 |
| 3.5.3 相关类实现 | 第51-53页 |
| 3.6 本章小结 | 第53-55页 |
| 第四章 实验及结果分析 | 第55-65页 |
| 4.1 实验环境和实验数据 | 第55-56页 |
| 4.2 实验设计与结果分析 | 第56-64页 |
| 4.2.1 评分填充方法MFM的结果分析 | 第57-60页 |
| 4.2.2 改进的近邻选择方法的结果分析 | 第60-63页 |
| 4.2.3 FPMUC-UCF的结果分析 | 第63-64页 |
| 4.3 本章小结 | 第64-65页 |
| 第五章 MovieRecommendSystem的设计与实现 | 第65-82页 |
| 5.1 系统需求分析 | 第65-67页 |
| 5.2 系统设计 | 第67-72页 |
| 5.2.1 系统整体架构设计 | 第67-68页 |
| 5.2.2 系统各模块设计 | 第68-70页 |
| 5.2.3 系统数据库设计 | 第70-72页 |
| 5.3 系统实现 | 第72-81页 |
| 5.3.1 系统开发环境和数据来源 | 第72-73页 |
| 5.3.2 推荐模块实现 | 第73-76页 |
| 5.3.3 系统其他功能实现 | 第76-81页 |
| 5.4 本章小结 | 第81-82页 |
| 第六章 总结与展望 | 第82-84页 |
| 6.1 本文总结 | 第82-83页 |
| 6.2 存在问题和未来展望 | 第83-84页 |
| 致谢 | 第84-85页 |
| 参考文献 | 第85-88页 |
