| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 研究内容及论文框架 | 第14-17页 |
| 第2章 个性化推荐与关联规则算法概述 | 第17-32页 |
| 2.1 个性化推荐的模型与算法概述 | 第17-20页 |
| 2.1.1 个性化推荐模型 | 第17-18页 |
| 2.1.2 常见的个性化推荐算法 | 第18-20页 |
| 2.2 关联规则推荐 | 第20-22页 |
| 2.3 关联规则经典算法 | 第22-28页 |
| 2.3.1 Apriori算法 | 第22-26页 |
| 2.3.2 Fp-tree算法 | 第26-28页 |
| 2.4 推荐评测方法及指标 | 第28-29页 |
| 2.5 推荐技术的优劣势分析 | 第29-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第3章 关联规则算法研究难点分析 | 第32-36页 |
| 3.1 关联规则算法挖掘效率问题 | 第32-34页 |
| 3.2 规则结果处理问题 | 第34-35页 |
| 3.3 本章小结 | 第35-36页 |
| 第4章 个性化推荐中的关联规则聚类算法与评价方法研究 | 第36-48页 |
| 4.1 聚类分析的相关基础 | 第36-39页 |
| 4.1.1 聚类分析的相关概念 | 第36-37页 |
| 4.1.2 聚类分析方法的分类 | 第37-38页 |
| 4.1.3 聚类分析的度量方法 | 第38-39页 |
| 4.2 关联规则聚类的研究现状 | 第39-40页 |
| 4.3 关联规则结果的聚类算法 | 第40-44页 |
| 4.3.1 规则间的距离度量方法 | 第40-42页 |
| 4.3.2 规则结果的聚类 | 第42-44页 |
| 4.4 规则的评价方法 | 第44-47页 |
| 4.4.1 基本评价指标 | 第44页 |
| 4.4.2 相关度评价指标 | 第44-45页 |
| 4.4.3 基于领域知识的规则评价指标 | 第45-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第5章 个性化推荐中结合用户评分信息的规则算法挖掘研究 | 第48-59页 |
| 5.1 引言 | 第48-49页 |
| 5.2 结合用户评分规则挖掘算法ARCUR | 第49-54页 |
| 5.2.1 挖掘有价值的推荐规则 | 第50页 |
| 5.2.2 规则的分值计算 | 第50-52页 |
| 5.2.3 目标用户与规则相似度计算 | 第52-53页 |
| 5.2.4 最优推荐结果的计算 | 第53-54页 |
| 5.3 算例分析 | 第54-56页 |
| 5.4 实验分析 | 第56-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第6章 结论 | 第59-61页 |
| 6.1 工作总结 | 第59-60页 |
| 6.2 研究展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 硕士在读期间学术成果 | 第66页 |