| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 选题背景与意义 | 第10-11页 |
| 1.2 推荐系统研究现状 | 第11-13页 |
| 1.2.1 推荐系统现状 | 第11-12页 |
| 1.2.2 就业推荐系统现状 | 第12-13页 |
| 1.3 本文研究综述 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第2章 相关理论技术基础 | 第16-27页 |
| 2.1 相关技术理论概况 | 第16页 |
| 2.2 Apriori关联算法 | 第16-18页 |
| 2.2.1 关联规则基本概念 | 第16-17页 |
| 2.2.2 Apriori算法步骤 | 第17-18页 |
| 2.2.3 由频繁项集产生关联规则 | 第18页 |
| 2.3 SimRank相似度算法 | 第18-22页 |
| 2.3.1 几种推荐算方法介绍 | 第18-20页 |
| 2.3.2 SimRank相似度算法原理 | 第20-21页 |
| 2.3.3 SimRank算法迭代实现过程 | 第21-22页 |
| 2.4 K-means聚类算法 | 第22-25页 |
| 2.4.1 数据挖掘中的聚类 | 第22-24页 |
| 2.4.2 K-means聚类算法 | 第24-25页 |
| 2.5 就业推荐系统模型及技术路线 | 第25-27页 |
| 第3章 高校就业推荐系统的设计和实现 | 第27-42页 |
| 3.1 数据选取整理模块 | 第27-33页 |
| 3.1.1 建立推荐系统企业数据库 | 第28-29页 |
| 3.1.2 建立备选系统学生数据库 | 第29-30页 |
| 3.1.3 Apriori关联分析学生属性 | 第30-33页 |
| 3.2 SimRank算法计算学生间相似度模块 | 第33-38页 |
| 3.2.1 SimRank计算学生间相似度概要介绍 | 第33-34页 |
| 3.2.2 SimRank算法计算相似度实现 | 第34-38页 |
| 3.3 利用K-Means算法思想对往届学生聚类 | 第38-39页 |
| 3.3.1 K-Means算法思想对往届学生聚类概要介绍 | 第38页 |
| 3.3.2 基于相似度的聚类算法的实现细节 | 第38-39页 |
| 3.3.3 聚类结果分析 | 第39页 |
| 3.4 推荐企业模型设计 | 第39-42页 |
| 3.4.1 应届生与企业间相似度计算 | 第39-40页 |
| 3.4.2 基于经验公式的企业评估指数计算 | 第40页 |
| 3.4.3 推荐企业排序计算模型 | 第40-41页 |
| 3.4.4 学生个性化筛选模块 | 第41-42页 |
| 第4章 实验设计和结果分析 | 第42-49页 |
| 4.1 高校就业推荐系统的实现 | 第42-43页 |
| 4.1.1 系统实现环境 | 第42-43页 |
| 4.1.2 推荐系统的实现 | 第43页 |
| 4.2 推荐系统测试及结果分析 | 第43-49页 |
| 4.2.1 测试实验设计 | 第43-44页 |
| 4.2.2 系统评估指标 | 第44-45页 |
| 4.2.3 推荐系统测试结果分析 | 第45-46页 |
| 4.2.4 系统运行测试实例分析 | 第46-49页 |
| 参考文献 | 第49-51页 |
| 致谢 | 第51-52页 |
| 作者简介 | 第52页 |