| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题的目的和意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第2章 推荐系统的相关理论研究 | 第17-37页 |
| 2.1 推荐系统概述 | 第17-20页 |
| 2.1.1 推荐与搜索 | 第17页 |
| 2.1.2 推荐系统架构 | 第17-19页 |
| 2.1.3 用户行为数据简介 | 第19-20页 |
| 2.2 常用推荐算法 | 第20-31页 |
| 2.2.1 基于内存的协同过滤推荐算法（Memory-based） | 第20-25页 |
| 2.2.2 基于模型的协同过滤算法（Model-based） | 第25-27页 |
| 2.2.3 基于内容的推荐 | 第27-30页 |
| 2.2.4 其他推荐方法 | 第30-31页 |
| 2.3 常用实验方法 | 第31-32页 |
| 2.3.1 离线实验 | 第31页 |
| 2.3.2 用户调查 | 第31页 |
| 2.3.3 在线实验 | 第31-32页 |
| 2.4 测评指标 | 第32-36页 |
| 2.4.1 准确度 | 第32-33页 |
| 2.4.2 覆盖率 | 第33页 |
| 2.4.3 多样性 | 第33-34页 |
| 2.4.4 流行度 | 第34页 |
| 2.4.5 排序学习指标 | 第34-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第3章 基于分步的混合协同过滤推荐算法的设计 | 第37-52页 |
| 3.1 离线实验评价指标 | 第37-41页 |
| 3.1.1 评分预测与Top-n推荐 | 第37-38页 |
| 3.1.2 改进NDCG评价指标 | 第38-41页 |
| 3.2 基于分步的用户行为模式 | 第41-45页 |
| 3.3 基于分步的KNN混合协同过滤算法（KS） | 第45-46页 |
| 3.4 基于分步的模型混合协同过滤算法（MS） | 第46-50页 |
| 3.4.1 矩阵分解模型 | 第46-49页 |
| 3.4.2 MS算法主要思路 | 第49-50页 |
| 3.5 基于分步的KNN-模型混合协同过滤算法（KMS） | 第50页 |
| 3.6 本章小结 | 第50-52页 |
| 第4章 基于分步的混合协同过滤算法的优化 | 第52-56页 |
| 4.1 稀疏向量和稀疏矩阵 | 第52-54页 |
| 4.2 相似度计算改进 | 第54页 |
| 4.2.1 Salton相似度的改进（Salton+） | 第54页 |
| 4.2.2 余弦相似度的改进（Cosine+） | 第54页 |
| 4.3 基于分步的KNN混合协同过滤算法的改进（WKS） | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第5章 实验及结果分析 | 第56-72页 |
| 5.1 实验数据 | 第56-57页 |
| 5.2 实验环境 | 第57页 |
| 5.3 基于分步的KNN混合协同过滤算法（KS） | 第57-63页 |
| 5.3.1 两步骤相似度方法的选择 | 第57-59页 |
| 5.3.2 KS算法的实现 | 第59-61页 |
| 5.3.3 KS算法相似度的改进 | 第61-63页 |
| 5.4 基于分步的模型混合协同过滤算法（MS） | 第63-67页 |
| 5.4.1 模型的选择 | 第63-64页 |
| 5.4.2 求解SVD模型的最佳参数 | 第64-66页 |
| 5.4.3 MS算法的实现 | 第66-67页 |
| 5.5 基于分步的KNN-模型混合协同过滤算法（KMS） | 第67-69页 |
| 5.6 加入权重因子的改进KS算法（WKS） | 第69-71页 |
| 5.7 本章小结 | 第71-72页 |
| 结论 | 第72-74页 |
| 参考文献 | 第74-77页 |
| 致谢 | 第77页 |
