| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第7-13页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.1.1 信息过滤 | 第7页 |
| 1.1.2 信息检索与信息过滤的区别 | 第7-8页 |
| 1.1.3 个性化推荐系统 | 第8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.2.1 我国推荐系统研究现状 | 第8-9页 |
| 1.2.2 国外研究分析现状 | 第9页 |
| 1.3 研究中存在的问题 | 第9-11页 |
| 1.4 论文主要工作及内容安排 | 第11-13页 |
| 1.4.1 论文主要工作 | 第11页 |
| 1.4.2 结构章节安排 | 第11-13页 |
| 2 推荐系统及相关技术 | 第13-27页 |
| 2.1 推荐系统的模块与形式化定义 | 第13-14页 |
| 2.2 数据挖掘相关技术分析 | 第14-21页 |
| 2.2.1 分类规则挖掘 | 第15页 |
| 2.2.2 关联规则挖掘 | 第15-16页 |
| 2.2.3 预测分析技术 | 第16页 |
| 2.2.4 聚类挖掘技术 | 第16页 |
| 2.2.5 神经网络技术 | 第16-17页 |
| 2.2.6 半监督学习算法 | 第17-21页 |
| 2.3 推荐系统相关技术 | 第21-22页 |
| 2.3.1 基于内容的推荐算法 | 第21-22页 |
| 2.3.2 协同过滤推荐算法 | 第22页 |
| 2.4 相似度计算 | 第22-23页 |
| 2.5 推荐系统的评价与评测 | 第23-26页 |
| 2.5.1 评价数据的覆盖率 | 第23-24页 |
| 2.5.2 推荐的准确性 | 第24页 |
| 2.5.3 推荐内容的多样性 | 第24-25页 |
| 2.5.4 其他指标 | 第25页 |
| 2.5.5 MAP与MPR | 第25-26页 |
| 2.6 数据集 | 第26-27页 |
| 3 基于关联规则的推荐模型及改进 | 第27-37页 |
| 3.1 基于项目关联的算法模型 | 第27-29页 |
| 3.1.1 项目关联规则的判定 | 第27-28页 |
| 3.1.2 模型的建立与计算方法 | 第28-29页 |
| 3.2 MF-Slope One改进推荐算法 | 第29-31页 |
| 3.2.1 Slope One算法 | 第30页 |
| 3.2.2 基于用户关联的MF-Slope One算法 | 第30-31页 |
| 3.3 实验分析 | 第31-37页 |
| 3.3.1 数据准备 | 第31页 |
| 3.3.2 基于用户关联的推荐算法分析 | 第31-33页 |
| 3.3.3 基于项目关联的推荐算法分析 | 第33-34页 |
| 3.3.4 MF-Slope One算法分析 | 第34-35页 |
| 3.3.5 实验结果分析比较 | 第35-37页 |
| 4 基于隐式用户的混合推荐模型（cIFRM） | 第37-57页 |
| 4.1 隐式数据 | 第37-38页 |
| 4.1.1 隐式数据的获取 | 第37页 |
| 4.1.2 隐式数据的转化 | 第37-38页 |
| 4.2 隐式反馈推荐模型（IFRM） | 第38-39页 |
| 4.3 基于时间衰退的改进（tIFRM） | 第39-41页 |
| 4.3.1 单阶段的时效量化 | 第39-40页 |
| 4.3.2 多阶段的时效量化 | 第40页 |
| 4.3.3 时间单位离散化 | 第40-41页 |
| 4.4 基于评分填充的改进（r IFRM） | 第41-43页 |
| 4.4.1 局部填充方法 | 第41-42页 |
| 4.4.2 基于评分填充的推荐算法 | 第42-43页 |
| 4.5 混合隐式反馈推荐模型（cIFRM） | 第43-47页 |
| 4.5.1 用户与项目的分类计算 | 第43-46页 |
| 4.5.2 混合用户在线隐式反馈推荐模型 | 第46-47页 |
| 4.6 实验分析与比较 | 第47-57页 |
| 4.6.1 数据集与实验设置 | 第47-48页 |
| 4.6.2 对比算法 | 第48页 |
| 4.6.3 评价标准 | 第48-49页 |
| 4.6.4 推荐效果实验 | 第49-50页 |
| 4.6.5 参数影响实验 | 第50-53页 |
| 4.6.6 数据稀疏度影响实验 | 第53-55页 |
| 4.6.7 针对实际的数据分类与优化 | 第55-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-60页 |
| 攻读硕士学位期间发表学术论文情况 | 第60-61页 |
| 致谢 | 第61-63页 |