| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 推荐系统研究现状 | 第12-13页 |
| 1.2.2 协同过滤面临的挑战 | 第13-14页 |
| 1.3 本文研究内容 | 第14-15页 |
| 1.4 本文组织结构 | 第15-18页 |
| 第二章 推荐系统及其相关技术 | 第18-26页 |
| 2.1 推荐系统概述 | 第18-19页 |
| 2.2 协同过滤推荐算法 | 第19-23页 |
| 2.2.1 基于用户的协同过滤算法 | 第19-20页 |
| 2.2.2 基于项目的协同过滤算法 | 第20-21页 |
| 2.2.3 基于模型的协同过滤算法 | 第21页 |
| 2.2.4 常用相似度计算方法 | 第21-23页 |
| 2.3 推荐系统的评价标准 | 第23-24页 |
| 2.4 本章小结 | 第24-26页 |
| 第三章 基于用户真实偏好的协同过滤算法 | 第26-40页 |
| 3.1 概述 | 第26页 |
| 3.2 基于用户真实偏好的协同过滤算法 | 第26-34页 |
| 3.2.1 用户类偏好相似度的计算 | 第27-29页 |
| 3.2.2 用户评分相似度的计算 | 第29-30页 |
| 3.2.3 产生推荐结果 | 第30页 |
| 3.2.4 基于用户真实偏好的算法步骤 | 第30-34页 |
| 3.3 实验结果与分析 | 第34-38页 |
| 3.3.1 实验环境 | 第35页 |
| 3.3.2 数据集 | 第35页 |
| 3.3.3 实验结果与分析 | 第35-38页 |
| 3.4 本章小结 | 第38-40页 |
| 第四章 基于Logistic时间函数的协同过滤算法 | 第40-52页 |
| 4.1 概述 | 第40页 |
| 4.2 基于Logistic时间函数的协同过滤算法 | 第40-47页 |
| 4.2.1 Logistic函数 | 第41页 |
| 4.2.2 加入时间因子的用户兴趣 | 第41-43页 |
| 4.2.3 产生推荐结果 | 第43-44页 |
| 4.2.4 基于Logistic时间函数的算法步骤 | 第44-47页 |
| 4.3 实验结果与分析 | 第47-50页 |
| 4.3.1 实验环境 | 第47页 |
| 4.3.2 数据集 | 第47页 |
| 4.3.3 实验结果与分析 | 第47-50页 |
| 4.4 本章小结 | 第50-52页 |
| 第五章 基于用户聚类的协同过滤算法 | 第52-64页 |
| 5.1 概述 | 第52页 |
| 5.2 基于用户聚类的协同过滤算法 | 第52-59页 |
| 5.2.1 K-means算法 | 第52-55页 |
| 5.2.2 聚类效果度量标准 | 第55页 |
| 5.2.3 基于用户聚类产生的推荐结果 | 第55-56页 |
| 5.2.4 基于用户聚类的协同过滤算法步骤 | 第56-59页 |
| 5.3 实验结果与分析 | 第59-63页 |
| 5.3.1 实验环境 | 第59-60页 |
| 5.3.2 数据集 | 第60页 |
| 5.3.3 实验结果与分析 | 第60-63页 |
| 5.4 本章小结 | 第63-64页 |
| 总结与展望 | 第64-66页 |
| 工作总结 | 第64-65页 |
| 未来展望 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 攻读硕士学位期间取得的学术成果 | 第72-74页 |
| 致谢 | 第74-75页 |
