| 摘要 | 第1-8页 |
| Abstract | 第8-12页 |
| 第一章 绪论 | 第12-25页 |
| ·研究背景及意义 | 第12-16页 |
| ·研究背景 | 第12-16页 |
| ·研究意义 | 第16页 |
| ·研究的难点及现状 | 第16-19页 |
| ·数据稀疏性 | 第17-18页 |
| ·可扩展性差 | 第18-19页 |
| ·符号定义及数据集介绍 | 第19-22页 |
| ·符号定义 | 第19-20页 |
| ·数据集介绍 | 第20-22页 |
| ·推荐系统评测指标 | 第22-23页 |
| ·均方根误差(RMSE) | 第22页 |
| ·平均绝对误差(MAE) | 第22-23页 |
| ·本文主要工作 | 第23页 |
| ·本文组织结构 | 第23-25页 |
| 第二章 协同过滤技术综述 | 第25-36页 |
| ·引言 | 第25-26页 |
| ·常用的协同过滤算法 | 第26-34页 |
| ·基于邻域的协同过滤算法 | 第26-29页 |
| ·基于模型的协同过滤算法 | 第29-34页 |
| ·算法优劣势分析 | 第34-35页 |
| ·基于邻域的协同过滤算法分析 | 第34-35页 |
| ·基于模型的协同过滤算法分析 | 第35页 |
| ·本章小结 | 第35-36页 |
| 第三章 基于物品的协同过滤算法研究 | 第36-49页 |
| ·引言 | 第36页 |
| ·评分标准化研究 | 第36-42页 |
| ·平均中心化 | 第38页 |
| ·Z分数 | 第38-39页 |
| ·基于共同点评的标准化方法 | 第39-40页 |
| ·实验验证 | 第40-42页 |
| ·相似性权重计算研究 | 第42-48页 |
| ·基于夹角余弦值的计算 | 第43页 |
| ·基于皮尔逊相关系数的计算 | 第43页 |
| ·基于调整后的夹角余弦值计算 | 第43-44页 |
| ·基于学习的相似性计算 | 第44-46页 |
| ·实验验证 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 第四章 基于全局和局部数据特性的混合协同过滤算法研究 | 第49-58页 |
| ·引言 | 第49-50页 |
| ·基于物品和偏置估计混合算法 | 第50-51页 |
| ·基于物品和奇异值分解模型混合算法 | 第51-52页 |
| ·基于共同点评物品学习和奇异值分解模型混合算法 | 第52-54页 |
| ·实验验证 | 第54-57页 |
| ·实验设计 | 第54-56页 |
| ·实验结果 | 第56-57页 |
| ·结论 | 第57页 |
| ·本章小结 | 第57-58页 |
| 第五章 基于协同过滤技术的推荐引擎原型设计与实现 | 第58-69页 |
| ·引言 | 第58-60页 |
| ·推荐引擎框架 | 第60-61页 |
| ·离线计算模块 | 第61-66页 |
| ·酒店相似性模型 | 第62-63页 |
| ·用户显性偏好模型 | 第63-64页 |
| ·用户酒店关联模型 | 第64-66页 |
| ·在线计算模块 | 第66-67页 |
| ·初步推荐结果 | 第66页 |
| ·用户显性偏好筛选 | 第66-67页 |
| ·推荐结果排序 | 第67页 |
| ·本章小结 | 第67-69页 |
| 第六章 结束语 | 第69-71页 |
| ·本文工作总结 | 第69-70页 |
| ·未来工作展望 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 附录 | 第76-77页 |
| 后记 | 第77页 |