| 摘要 | 第1-8页 |
| ABSTRACT | 第8-13页 |
| 第1章.绪论 | 第13-21页 |
| ·研究背景 | 第13-14页 |
| ·研究现状和意义 | 第14-18页 |
| ·推荐系统的研究现状 | 第15-17页 |
| ·面向IPTV推荐系统的研究现状 | 第17-18页 |
| ·本文研究内容 | 第18-19页 |
| ·本文的组织结构 | 第19-21页 |
| 第2章.相关研究工作 | 第21-34页 |
| ·基于内容的过滤技术 | 第21-24页 |
| ·用户矢量空间兴趣模型的表达 | 第21-22页 |
| ·用户兴趣模型的更新 | 第22页 |
| ·相似度的计算和推荐的产生 | 第22-23页 |
| ·算法优缺点 | 第23-24页 |
| ·协作过滤技术 | 第24-31页 |
| ·基于用户的协作过滤技术 | 第24-26页 |
| ·基于用户聚类的协作过滤 | 第26-27页 |
| ·协作过滤的优缺点 | 第27-28页 |
| ·协作过滤主要瓶颈及应对策略 | 第28-31页 |
| ·混合式过滤技术 | 第31-32页 |
| ·混合过滤结果 | 第31页 |
| ·融合内容过滤特性的协作过滤 | 第31-32页 |
| ·融合协作过滤特性的基于内容过滤 | 第32页 |
| ·混合式过滤算法优缺点 | 第32页 |
| ·本章小结 | 第32-34页 |
| 第3章.面向IPTV的自适应混式推荐系统架构 | 第34-46页 |
| ·系统框架结构概述 | 第34-38页 |
| ·IPTV服务平台结构 | 第34-35页 |
| ·自适应混合式推荐系统架构 | 第35-37页 |
| ·自适应混合式推荐系统架构优点 | 第37-38页 |
| ·主要功能模块详细设计 | 第38-45页 |
| ·用户兴趣模型 | 第38-40页 |
| ·用户喜好挖掘模块 | 第40-41页 |
| ·基于内容的过滤部分 | 第41-42页 |
| ·协作过滤模块 | 第42-43页 |
| ·混合模块 | 第43-44页 |
| ·其他外部模块 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第4章.面向IPTV自适应混合式推荐系统关键技术研究 | 第46-63页 |
| ·面向IPTV的用户喜好挖掘算法 | 第46-51页 |
| ·用户行为的分类 | 第46-47页 |
| ·用户显式评分行为挖掘 | 第47-48页 |
| ·用户观看行为挖掘 | 第48-49页 |
| ·用户收藏行为挖掘 | 第49-51页 |
| ·基于人口属性的协作过滤算法 | 第51-56页 |
| ·算法详细介绍 | 第51-54页 |
| ·相关实验 | 第54-56页 |
| ·基于递度下降的混合式自适应推荐算法 | 第56-62页 |
| ·算法描述 | 第57-59页 |
| ·相关实验 | 第59-62页 |
| ·小结 | 第62-63页 |
| 第5章.系统实现 | 第63-74页 |
| ·项目背景 | 第63页 |
| ·系统实现概要 | 第63-64页 |
| ·系统实现细节 | 第64-74页 |
| ·数据层实现 | 第65-68页 |
| ·控制层实现 | 第68-69页 |
| ·显示层实现 | 第69-74页 |
| 第6章.总结和进一步工作 | 第74-76页 |
| ·本文工作总结 | 第74页 |
| ·进一步工作展望 | 第74-76页 |
| 参考文献 | 第76-81页 |
| 附录1:作者攻读硕士学位期间发表的论文(第一作者) | 第81页 |
| 附录2:作者攻读硕士学位期间参与的科研项目 | 第81页 |