| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 相关研究现状 | 第13-16页 |
| 1.2.1 协同过滤系统研究现状 | 第13-14页 |
| 1.2.2 协同过滤算法研究现状 | 第14-16页 |
| 1.3 论文主要工作 | 第16页 |
| 1.4 论文组织结构 | 第16-18页 |
| 第二章 推荐算法及相关技术概述 | 第18-33页 |
| 2.1 非协同过滤推荐概述 | 第18-20页 |
| 2.1.1 基于内容推荐 | 第18页 |
| 2.1.2 基于关联规则推荐 | 第18页 |
| 2.1.3 基于效用推荐 | 第18-19页 |
| 2.1.4 基于知识推荐 | 第19-20页 |
| 2.1.5 其它推荐算法 | 第20页 |
| 2.2 协同过滤推荐概述 | 第20-27页 |
| 2.2.1 协同过滤推荐算法 | 第20-22页 |
| 2.2.2 基于用户的协同过滤推荐算法 | 第22-24页 |
| 2.2.3 基于项目的协同过滤推荐算法 | 第24-26页 |
| 2.2.4 基于模型的协同过滤推荐算法 | 第26-27页 |
| 2.3 聚类算法概述 | 第27-29页 |
| 2.3.1 基于划分的方法 | 第27-28页 |
| 2.3.2 基于层次的方法 | 第28页 |
| 2.3.3 基于密度的方法 | 第28页 |
| 2.3.4 基于网格的方法 | 第28-29页 |
| 2.3.5 基于模型的方法 | 第29页 |
| 2.4 推荐算法性能评价 | 第29-31页 |
| 2.4.1 数据集 | 第29-30页 |
| 2.4.2 评价标准 | 第30-31页 |
| 2.5 本章小结 | 第31-33页 |
| 第三章 优化聚类中心的用户聚类推荐算法 | 第33-42页 |
| 3.1 引言 | 第33-34页 |
| 3.2 WeightedSlopeOne算法 | 第34-35页 |
| 3.3 基于K-means的用户聚类推荐算法 | 第35-36页 |
| 3.3.1 K-means算法 | 第35-36页 |
| 3.3.2 基于K-means聚类的协同过滤推荐算法 | 第36页 |
| 3.4 优化聚类中心的用户聚类推荐算法 | 第36-38页 |
| 3.4.1 基于最小方差优化初始簇心 | 第37-38页 |
| 3.4.2 基于最小方差的用户聚类推荐算法 | 第38页 |
| 3.5 实验结果与分析 | 第38-41页 |
| 3.5.1 数据集 | 第38-39页 |
| 3.5.2 评价标准 | 第39页 |
| 3.5.3 实验结果分析 | 第39-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第四章 改进相似度计算的用户聚类推荐算法 | 第42-53页 |
| 4.1 引言 | 第42-43页 |
| 4.2 相关技术 | 第43-46页 |
| 4.2.1 艾宾浩斯遗忘曲线 | 第43-44页 |
| 4.2.2 用户偏好度 | 第44页 |
| 4.2.3 用户特征向量 | 第44-46页 |
| 4.3 改进相似度计算的用户聚类推荐算法 | 第46-49页 |
| 4.3.1 相似度计算方法改进 | 第46-48页 |
| 4.3.2 基于时间衰减的用户聚类推荐算法 | 第48-49页 |
| 4.4 实验结果与分析 | 第49-52页 |
| 4.4.1 数据集 | 第49页 |
| 4.4.2 评价标准 | 第49页 |
| 4.4.3 实验结果分析 | 第49-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 工作总结 | 第53页 |
| 5.2 未来展望 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 附录 | 第60-61页 |
| 详细摘要 | 第61-64页 |