| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 引言 | 第7-11页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.3 本文主要研究内容和创新点 | 第9页 |
| 1.4 论文组织结构 | 第9-11页 |
| 第二章 推荐系统概述 | 第11-24页 |
| 2.1 引言 | 第11-13页 |
| 2.1.1 基于内容过滤的推荐算法 | 第12页 |
| 2.1.2 协同过滤推荐算法 | 第12-13页 |
| 2.1.3 混合推荐算法 | 第13页 |
| 2.2 协同过滤概述 | 第13-20页 |
| 2.2.1 基于邻域的协同过滤推荐 | 第15-18页 |
| 2.2.2 基于模型的协同过滤 | 第18-20页 |
| 2.3 实验数据集 | 第20-22页 |
| 2.4 推荐算法的评价标准 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 基于巴氏系数和Jaccard系数的协同过滤算法 | 第24-31页 |
| 3.1 引言 | 第24页 |
| 3.2 相似性度量定义 | 第24-25页 |
| 3.2.1 巴氏系数相似度 | 第24-25页 |
| 3.2.2 Jaccard相似性度量 | 第25页 |
| 3.3 基于巴氏系数和Jaccard系数的协同过滤推荐算法 | 第25-28页 |
| 3.3.1 引入巴氏系数和Jaccard系数的相似性度量 | 第26-27页 |
| 3.3.2 产生推荐 | 第27页 |
| 3.3.3 算法描述 | 第27-28页 |
| 3.4 实验结果及其分析 | 第28-30页 |
| 3.4.1 实验数据集 | 第28页 |
| 3.4.2 对比算法 | 第28页 |
| 3.4.3 实验结果 | 第28-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第四章 用户兴趣偏移和聚类的推荐算法 | 第31-37页 |
| 4.1 引言 | 第31页 |
| 4.2 项目关联图及用户兴趣模型 | 第31-33页 |
| 4.2.1 项目关联图 | 第31-32页 |
| 4.2.2 建立用户兴趣模型 | 第32-33页 |
| 4.3 基于用户兴趣偏移和聚类组合的推荐算法 | 第33-35页 |
| 4.3.1 用户兴趣类型识别 | 第33页 |
| 4.3.2 CFSFDP算法 | 第33-34页 |
| 4.3.3 AUIC算法描述 | 第34-35页 |
| 4.4 实验结果与分析 | 第35-36页 |
| 4.5 本章小结 | 第36-37页 |
| 第五章 总结与展望 | 第37-38页 |
| 5.1 本文总结 | 第37页 |
| 5.2 进一步工作 | 第37-38页 |
| 参考文献 | 第38-40页 |
| 攻读硕士学位期间的主要成果 | 第40-41页 |
| 致谢 | 第41页 |
