| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-16页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 本文工作 | 第15页 |
| 1.4 本文组织结构 | 第15-16页 |
| 第2章 推荐系统相关技术简介 | 第16-31页 |
| 2.1 推荐系统概述 | 第16-17页 |
| 2.1.1 动态推荐系统的定义 | 第17页 |
| 2.2 协同过滤推荐系统技术分类 | 第17-24页 |
| 2.2.1 基于用户的协同过滤推荐算法 | 第18-20页 |
| 2.2.2 基于物品的协同推荐算法 | 第20-21页 |
| 2.2.3 Slope One推荐算法 | 第21-22页 |
| 2.2.4 基于模型的协同推荐算法 | 第22页 |
| 2.2.5 基于混合的推荐算法 | 第22-24页 |
| 2.3 协同过滤推荐算法存在的问题 | 第24-25页 |
| 2.4 推荐系统的相似度计算 | 第25-28页 |
| 2.4.1 基于皮尔逊相关性的相似度 | 第25-26页 |
| 2.4.2 基于欧几里德距离的相似度 | 第26页 |
| 2.4.3 余弦相似度 | 第26-27页 |
| 2.4.4 修正的余弦相似度 | 第27页 |
| 2.4.5 Jaccard相似度 | 第27-28页 |
| 2.5 推荐系统质量评估 | 第28-29页 |
| 2.5.1 平均绝对误差 | 第28页 |
| 2.5.2 覆盖率 | 第28页 |
| 2.5.3 召回率 | 第28页 |
| 2.5.4 均方根误差 | 第28-29页 |
| 2.6 时间上下文 | 第29-30页 |
| 2.7 本章小结 | 第30-31页 |
| 第3章 基于时间上下文的动态FeatureTRSVD算法 | 第31-43页 |
| 3.1 RSVD算法 | 第31-33页 |
| 3.1.1 RSVD基础理论 | 第31页 |
| 3.1.2 RSVD矩阵分解 | 第31-32页 |
| 3.1.3 RSVD优化 | 第32-33页 |
| 3.2 基于时间上下文的动态FeatureTRSVD算法 | 第33-37页 |
| 3.2.1 融入时间信息的TRSVD算法 | 第33-35页 |
| 3.2.2 融入用户物品特征信息的TRSVD算法 | 第35-36页 |
| 3.2.3 动态FeatureTRSVD算法提出和算法描述 | 第36-37页 |
| 3.3 实验设计和结果分析 | 第37-43页 |
| 3.3.1 实验数据集简介 | 第37-38页 |
| 3.3.2 实验环境与平台 | 第38页 |
| 3.3.3 实验验证和分析 | 第38-43页 |
| 第4章 动态推荐系统框架设计与应用 | 第43-53页 |
| 4.1 在线推荐系统框架设计 | 第44-47页 |
| 4.1.1 用户行为提取部分 | 第44-45页 |
| 4.1.2 相关推荐部分 | 第45页 |
| 4.1.3 推荐说明部分 | 第45-46页 |
| 4.1.4 筛选和排序部分 | 第46-47页 |
| 4.2 离线推荐系统框架设计 | 第47-48页 |
| 4.2.1 计算用户行为权重部分 | 第47页 |
| 4.2.2 相似度计算部分 | 第47-48页 |
| 4.2.3 用户反馈部分 | 第48页 |
| 4.3 推荐系统的功能模块设计 | 第48-50页 |
| 4.4 推荐系统的数据库设计 | 第50-51页 |
| 4.5 日报推荐系统实现效果 | 第51-52页 |
| 4.6 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-60页 |
| 附录A 攻读硕士学位期间发表的学术论文与参与的科研项目 | 第60页 |
