| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 推荐系统应用实例 | 第12-13页 |
| 1.2.2 推荐算法研究现状 | 第13-15页 |
| 1.3 研究内容及组织结构 | 第15-16页 |
| 1.3.1 本文的研究内容 | 第15-16页 |
| 1.3.2 本文的组织结构 | 第16页 |
| 1.4 本章小结 | 第16-17页 |
| 2 理论基础和相关工作 | 第17-35页 |
| 2.1 推荐系统概述 | 第17-18页 |
| 2.2 常用的推荐技术 | 第18-32页 |
| 2.2.1 传统协同过滤推荐技术 | 第19-28页 |
| 2.2.2 基于内容的推荐技术 | 第28-29页 |
| 2.2.3 基于关联规则的推荐技术 | 第29-31页 |
| 2.2.4 混合推荐技术 | 第31-32页 |
| 2.3 目前存在的问题 | 第32-33页 |
| 2.3.1 数据稀疏问题 | 第32-33页 |
| 2.3.2 冷启动问题 | 第33页 |
| 2.3.3 可扩展性问题 | 第33页 |
| 2.4 本章小结 | 第33-35页 |
| 3 改进的协同过滤推荐算法 | 第35-46页 |
| 3.1 问题的提出与分析 | 第35-38页 |
| 3.1.1 数据稀疏问题 | 第35-36页 |
| 3.1.2 传统相似度计算方法的缺陷 | 第36-38页 |
| 3.2 算法的改进思路 | 第38-41页 |
| 3.2.1 用户差异度的信息熵 | 第38-40页 |
| 3.2.2 融合信息熵和Pearson的加权相似度 | 第40页 |
| 3.2.3 引入兴趣度的相似度 | 第40-41页 |
| 3.3 算法改进分析 | 第41-45页 |
| 3.4 本章小结 | 第45-46页 |
| 4 实验设计和结果分析 | 第46-57页 |
| 4.1 实验准备 | 第46-49页 |
| 4.1.1 实验数据集 | 第46-47页 |
| 4.1.2 实验环境 | 第47-48页 |
| 4.1.3 评价指标 | 第48-49页 |
| 4.2 实验设计和结果分析 | 第49-55页 |
| 4.2.1 实验设计方案 | 第49-51页 |
| 4.2.2 实验结果和分析 | 第51-55页 |
| 4.3 本章总结 | 第55-57页 |
| 5 总结与展望 | 第57-59页 |
| 5.1 本文总结 | 第57-58页 |
| 5.2 未来展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第62-64页 |
| 学位论文数据集 | 第64页 |