| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第13-18页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 视频推荐技术的研究现状 | 第14-16页 |
| 1.3 课题主要研究内容 | 第16-17页 |
| 1.4 论文的组织结构 | 第17-18页 |
| 第二章 视频推荐关键技术 | 第18-32页 |
| 2.1 推荐系统概述 | 第18-20页 |
| 2.2 数据挖掘技术 | 第20-23页 |
| 2.2.1 数据挖掘的预处理过程 | 第20-21页 |
| 2.2.2 分类挖掘 | 第21页 |
| 2.2.3 降维技术 | 第21-22页 |
| 2.2.4 聚类挖掘 | 第22-23页 |
| 2.2.5 关联规则挖掘 | 第23页 |
| 2.3 推荐系统常用技术 | 第23-29页 |
| 2.3.1 基于内容的推荐 | 第23-25页 |
| 2.3.2 基于协同过滤的推荐 | 第25-28页 |
| 2.3.3 组合推荐 | 第28-29页 |
| 2.4 推荐技术的评测 | 第29-31页 |
| 2.4.1 仿真数据集 | 第29-30页 |
| 2.4.2 评测指标 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 基于混合用户相似度的视频推荐算法 | 第32-46页 |
| 3.1 基于邻域的协同过滤算法 | 第32-38页 |
| 3.1.1 相似性度量方法 | 第32-35页 |
| 3.1.2 基于用户的协同过滤 | 第35-36页 |
| 3.1.3 基于物品的协同过滤 | 第36-37页 |
| 3.1.4 User-CF与Item-CF比较 | 第37-38页 |
| 3.2 基于用户的协同过滤算法改进 | 第38-41页 |
| 3.2.1 引入显性评分值的用户相似度 | 第38-39页 |
| 3.2.2 引入用户特征信息的用户相似度 | 第39-40页 |
| 3.2.3 基于混合用户相似度的视频推荐算法 | 第40-41页 |
| 3.3 仿真设计及结果分析 | 第41-45页 |
| 3.3.1 仿真数据及分析流程 | 第41页 |
| 3.3.2 User-CF的推荐结果分析 | 第41-42页 |
| 3.3.3 基于混合用户相似度的视频推荐结果分析 | 第42-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 基于改进隐语义模型的视频推荐算法 | 第46-63页 |
| 4.1 隐语义模型 | 第46-50页 |
| 4.1.1 隐语义模型描述 | 第46-48页 |
| 4.1.2 隐语义模型求解 | 第48-49页 |
| 4.1.3 隐语义模型与邻域方法的比较 | 第49-50页 |
| 4.2 隐语义模型的改进 | 第50-54页 |
| 4.2.1 融合Item-CF的隐语义模型 | 第51-53页 |
| 4.2.2 融合User-CF的隐语义模型 | 第53页 |
| 4.2.3 混合隐语义模型 | 第53-54页 |
| 4.3 仿真设计与分析 | 第54-62页 |
| 4.3.1 仿真数据及分析流程 | 第54-55页 |
| 4.3.2 隐语义模型对物品聚类能力分析 | 第55-56页 |
| 4.3.3 改进隐语义模型的视频推荐结果分析 | 第56-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第五章 基于视频特征用户聚类的视频推荐算法 | 第63-78页 |
| 5.1 基于聚类的协同过滤 | 第63-65页 |
| 5.1.1 协同过滤中的聚类算法 | 第63-64页 |
| 5.1.2 基于用户聚类的协同过滤算法 | 第64-65页 |
| 5.2 基于用户聚类的协同过滤算法改进 | 第65-70页 |
| 5.2.1 基于视频特征的用户聚类方法 | 第65-69页 |
| 5.2.2 基于视频特征用户聚类的视频推荐算法 | 第69-70页 |
| 5.3 仿真设计及结果分析 | 第70-77页 |
| 5.3.1 仿真数据及分析流程 | 第70-71页 |
| 5.3.2 基于视频特征的用户聚类结果分析 | 第71-73页 |
| 5.3.3 基于视频特征用户聚类的视频推荐结果分析 | 第73-77页 |
| 5.4 本章小结 | 第77-78页 |
| 第六章 总结及展望 | 第78-80页 |
| 6.1 总结 | 第78页 |
| 6.2 进一步工作及未来研究方向 | 第78-80页 |
| 致谢 | 第80-81页 |
| 参考文献 | 第81-85页 |
| 攻硕期间取得的研究成果 | 第85-86页 |