| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 缩略语对照表 | 第10-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景 | 第14-15页 |
| 1.2 研究目的和意义 | 第15-16页 |
| 1.2.1 研究目的 | 第15-16页 |
| 1.2.2 研究意义 | 第16页 |
| 1.3 国内外发展现状 | 第16-18页 |
| 1.3.1 国外研究现状 | 第16-17页 |
| 1.3.2 国内研究现状 | 第17-18页 |
| 1.4 研究方法 | 第18-19页 |
| 1.5 研究内容和框架结构 | 第19-20页 |
| 第二章 相关的技术及理论介绍 | 第20-28页 |
| 2.1 推荐引擎的理论介绍 | 第20-21页 |
| 2.2 菜品推荐问题 | 第21-22页 |
| 2.2.1 推荐需求与难点 | 第21页 |
| 2.2.2 物品相似度与用户相似度 | 第21页 |
| 2.2.3 菜品推荐引擎的优势 | 第21-22页 |
| 2.3 矩阵奇异值分解 | 第22-23页 |
| 2.3.1 矩阵奇异值分解概念介绍 | 第22-23页 |
| 2.3.2 分解算法的应用 | 第23页 |
| 2.4 协同过滤系统 | 第23-25页 |
| 2.4.1 协同过滤系统的介绍 | 第23-24页 |
| 2.4.2 协同过滤的发展历史 | 第24-25页 |
| 2.4.3 协同过滤系统的优缺点 | 第25页 |
| 2.5 基于物品相似度的建模 | 第25-27页 |
| 2.5.1 基于物品相似度建模的优势 | 第25-26页 |
| 2.5.2 基于物品相似度建模的难点 | 第26-27页 |
| 2.5.3 基于菜品相似度建模的可行性分析 | 第27页 |
| 2.6 本章小结 | 第27-28页 |
| 第三章 基于菜品相似度数值模型的构建 | 第28-36页 |
| 3.1 菜品相似度数值模型的分类识别与划分 | 第28-31页 |
| 3.1.1 模型识别的目标 | 第28-29页 |
| 3.1.2 模型识别的方法 | 第29-30页 |
| 3.1.3 模型属性的识别 | 第30页 |
| 3.1.4 模型类型的划分 | 第30-31页 |
| 3.2 菜品相似度数值模型多维模型矩阵的建立 | 第31-34页 |
| 3.2.1 已有量化指标的计量 | 第31-32页 |
| 3.2.2 无量化指标的计量 | 第32页 |
| 3.2.3 矩阵纬度的确定 | 第32页 |
| 3.2.4 多维模型矩阵的举例分析 | 第32-34页 |
| 3.3 对模型的降维简化分析 | 第34-35页 |
| 3.3.1 传统模型中存在的问题 | 第34-35页 |
| 3.3.2 降维简化后的模型 | 第35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于SVD算法优化的协同过滤推荐引擎的研究与设计 | 第36-54页 |
| 4.1 SVD推荐算法的设计 | 第36-43页 |
| 4.1.1 SVD算法 | 第36-37页 |
| 4.1.2 求奇异值算法 | 第37-43页 |
| 4.2 相似度计算 | 第43-46页 |
| 4.2.1 基于用户相似度的建模 | 第43-45页 |
| 4.2.2 利用欧氏距离计算相似度 | 第45页 |
| 4.2.3 利用皮尔逊相关系数计算相似度 | 第45-46页 |
| 4.2.4 余弦相似度 | 第46页 |
| 4.3 推荐算法的实现 | 第46-52页 |
| 4.3.1 协同过滤推荐算法 | 第46页 |
| 4.3.2 不同相似度对比 | 第46-48页 |
| 4.3.3 使用SVD算法复杂数据的降噪处理 | 第48-49页 |
| 4.3.4 使用SVD算法进行优化的实现 | 第49-51页 |
| 4.3.5 SVD算法结果的比较分析 | 第51-52页 |
| 4.4 本章小结 | 第52-54页 |
| 第五章 结论与展望 | 第54-56页 |
| 5.1 结论 | 第54页 |
| 5.2 展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-62页 |
| 作者简介 | 第62页 |