| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景与研究意义 | 第10-11页 |
| 1.2 研究现状以及面临的问题 | 第11-13页 |
| 1.2.1 推荐系统发展概述 | 第11-12页 |
| 1.2.2 推荐系统成果 | 第12-13页 |
| 1.2.3 推荐系统面临的挑战 | 第13页 |
| 1.3 本文的结构安排 | 第13-15页 |
| 第二章 个性化推荐系统研究 | 第15-26页 |
| 2.1 个性化推荐系统的概述 | 第15-16页 |
| 2.1.1 个性化推荐系统的概念 | 第15页 |
| 2.1.2 个性化推荐系统的研究内容 | 第15-16页 |
| 2.2 个性化推荐系统的总体框架 | 第16-20页 |
| 2.2.1 个性化推荐系统外围框架 | 第16-17页 |
| 2.2.2 个性化推荐系统框架 | 第17-20页 |
| 2.3 个性化推荐算法的分类 | 第20-26页 |
| 2.3.1 基于内容的推荐 | 第20-21页 |
| 2.3.2 协同过滤推荐 | 第21-23页 |
| 2.3.3 基于知识的推荐 | 第23-24页 |
| 2.3.4 混合推荐技术 | 第24-26页 |
| 第三章 协同过滤算法研究 | 第26-33页 |
| 3.1 协同过滤算法概述 | 第26-27页 |
| 3.1.1 协同过滤算法的工作原理 | 第26页 |
| 3.1.2 协同过滤的研究内容 | 第26-27页 |
| 3.2 协同过滤的冷启动问题研究 | 第27-30页 |
| 3.2.1 冷启动问题描述 | 第27页 |
| 3.2.2 现有的冷启动解决方法 | 第27-30页 |
| 3.3 协同过滤技术的分类 | 第30页 |
| 3.3.1 基于模型的协同过滤推荐算法 | 第30页 |
| 3.3.2 基于内存的协同过滤推荐算法 | 第30页 |
| 3.4 基于用户的协同过滤算法 | 第30-31页 |
| 3.5 基于项目的协同过滤推荐 | 第31-32页 |
| 3.6 基于用户的协同过滤推荐与基于项目的协同过滤推荐优缺点比较 | 第32-33页 |
| 第四章 基于用户兴趣变化的协同过滤算法研究 | 第33-43页 |
| 4.1 传统的基于项目的协同过滤算法 | 第33-38页 |
| 4.1.1 数据表示 | 第33-34页 |
| 4.1.2 项目相似性计算方法 | 第34-36页 |
| 4.1.3 生成推荐 | 第36-38页 |
| 4.2 基于用户兴趣变化的协同过滤算法 | 第38-43页 |
| 4.2.1 背景与观点描述 | 第38-39页 |
| 4.2.2 采用的项目相似性度量方法 | 第39-40页 |
| 4.2.3 时间权重的计算方法 | 第40页 |
| 4.2.4 用户兴趣度的计算方法 | 第40-41页 |
| 4.2.5 项目相似度的权重计算方法 | 第41页 |
| 4.2.6 算法的实现 | 第41-43页 |
| 第五章 实验结果分析 | 第43-46页 |
| 5.1 实验数据及实验环境 | 第43页 |
| 5.2 度量标准 | 第43页 |
| 5.3 实验结果及分析 | 第43-46页 |
| 第六章 总结与展望 | 第46-47页 |
| 6.1 本文工作总结 | 第46页 |
| 6.2 未来工作展望 | 第46-47页 |
| 参考文献 | 第47-51页 |
| 致谢 | 第51页 |