| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题的研究背景 | 第9-10页 |
| 1.2 课题的研究意义 | 第10-11页 |
| 1.3 课题来源及本文组织 | 第11-13页 |
| 第二章 相关技术研究 | 第13-35页 |
| 2.1 个性化推荐技术研究综述 | 第13-21页 |
| 2.1.1 个性化推荐技术及分类 | 第13-17页 |
| 2.1.2 推荐系统研究现状 | 第17-19页 |
| 2.1.3 个性化推荐技术面临的问题 | 第19-21页 |
| 2.2 基于 Web 挖掘的个性化推荐技术研究综述 | 第21-26页 |
| 2.2.1 Web 挖掘技术及分类 | 第21-23页 |
| 2.2.2 基于 Web 挖掘的个性化推荐技术研究现状 | 第23-25页 |
| 2.2.3 基于 Web 挖掘的个性化推荐技术面临的问题 | 第25-26页 |
| 2.3 协同过滤推荐算法研究综述 | 第26-34页 |
| 2.3.1 协同过滤算法及分类 | 第26-31页 |
| 2.3.2 协同过滤算法研究现状 | 第31-32页 |
| 2.3.3 协同过滤算法面临的问题 | 第32-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 基于 Web 挖掘的个性化推荐算法设计 | 第35-44页 |
| 3.1 算法模型设计 | 第35-39页 |
| 3.1.1 基于 Web 挖掘的“用户-项目”兴趣度矩阵构建模块 | 第36-37页 |
| 3.1.2 相似用户集计算模块 | 第37-38页 |
| 3.1.3 邻居集产生模块 | 第38-39页 |
| 3.2 算法模型分析 | 第39-43页 |
| 3.2.1 隐式数据采集 | 第40页 |
| 3.2.2 兴趣度矩阵表示 | 第40-41页 |
| 3.2.3 单点作用度机制 | 第41-42页 |
| 3.2.4 推荐重要度机制 | 第42-43页 |
| 3.3 本章小结 | 第43-44页 |
| 第四章 基于 Web 挖掘的个性化推荐算法实现 | 第44-69页 |
| 4.1 基于 Web 挖掘的“用户-项目”兴趣度矩阵构建方法 | 第44-55页 |
| 4.1.1 数据准备与预处理 | 第44-50页 |
| 4.1.2 “用户-项目”兴趣度建模 | 第50-55页 |
| 4.2 相似用户集计算方法 | 第55-63页 |
| 4.2.1 传统相似度计算方法及缺陷分析 | 第55-58页 |
| 4.2.2 单点作用度因子 | 第58-60页 |
| 4.2.3 基于单点作用度的相似度计算方法 | 第60-63页 |
| 4.3 邻居集产生方法 | 第63-68页 |
| 4.3.1 推荐重要度因子 | 第63-66页 |
| 4.3.2 基于推荐重要度的邻居集产生方法 | 第66-68页 |
| 4.4 本章小结 | 第68-69页 |
| 第五章 实验仿真与测试 | 第69-79页 |
| 5.1 推荐算法的评估指标 | 第69-71页 |
| 5.1.1 准确率（accuracy） | 第69页 |
| 5.1.2 覆盖率（coverage） | 第69-70页 |
| 5.1.3 精确率（precision） | 第70-71页 |
| 5.1.4 召回率（recall） | 第71页 |
| 5.2 实验数据源 | 第71-74页 |
| 5.2.1 日志预处理 | 第71-74页 |
| 5.2.2 兴趣矩阵数据源 | 第74页 |
| 5.3 实验结果及分析 | 第74-77页 |
| 5.4 本章小结 | 第77-79页 |
| 第六章 总结与展望 | 第79-82页 |
| 6.1 总结 | 第79-80页 |
| 6.2 展望 | 第80-82页 |
| 参考文献 | 第82-86页 |
| 附录1 攻读硕士学位期间申请的专利 | 第86-87页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第87-88页 |
| 致谢 | 第88页 |
