| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-14页 |
| 1.1 研究背景与意义 | 第7-9页 |
| 1.2 研究现状 | 第9-12页 |
| 1.2.1 关联规则推荐算法研究现状 | 第9-10页 |
| 1.2.2 协同过滤推荐算法研究现状 | 第10-11页 |
| 1.2.3 粒子群算法研究现状 | 第11-12页 |
| 1.3 本文组织结构 | 第12-14页 |
| 第二章 改进的关联规则推荐算法 | 第14-23页 |
| 2.1 关联规则原理 | 第14-17页 |
| 2.1.1 Apriori推荐算法原理 | 第14-15页 |
| 2.1.2 Apriori推荐算法过程 | 第15-17页 |
| 2.2 粒子群智能优化算法原理 | 第17-19页 |
| 2.2.1 粒子群智能优化算法原理 | 第17-19页 |
| 2.3 改进的APRIORI算法 | 第19-22页 |
| 2.4 总结 | 第22-23页 |
| 第三章 改进的协同过滤推荐算法 | 第23-32页 |
| 3.1 协同过滤推荐算法原理 | 第23-28页 |
| 3.1.1 算法基本概念 | 第23页 |
| 3.1.2 算法工作流程 | 第23-24页 |
| 3.1.3 协同过滤算法原理 | 第24-25页 |
| 3.1.4 几类经典推荐算法 | 第25-27页 |
| 3.1.5 算法评价指标 | 第27-28页 |
| 3.2 协同过滤推荐算法存在的问题 | 第28-29页 |
| 3.2.1 可扩展问题 | 第28页 |
| 3.2.2 冷启动问题 | 第28页 |
| 3.2.3 数据稀疏性问题 | 第28-29页 |
| 3.3 改进协同过滤推荐算法 | 第29-31页 |
| 3.4 总结 | 第31-32页 |
| 第四章 基于关联规则优化的协同过滤混合推荐算法模型 | 第32-40页 |
| 4.1 混合推荐三种思路 | 第32-33页 |
| 4.1.1 整体式 | 第32页 |
| 4.1.2 流水式 | 第32-33页 |
| 4.1.3 并行式 | 第33页 |
| 4.2 混合推荐算法模型 | 第33-35页 |
| 4.3 实验分析 | 第35-38页 |
| 4.3.1 实验数据来源 | 第35页 |
| 4.3.2 实验评价指标对比 | 第35-38页 |
| 4.5 总结 | 第38-40页 |
| 第五章 总结和展望 | 第40-42页 |
| 5.1 总结 | 第40页 |
| 5.2 展望 | 第40-42页 |
| 参考文献 | 第42-44页 |
| 致谢 | 第44-45页 |
| 个人简介 | 第45页 |