| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究工作的背景与意义 | 第10-13页 |
| 1.2 国内外研究现状和发展趋势 | 第13-16页 |
| 1.2.1 评分预测问题 | 第13-14页 |
| 1.2.2 Top-N推荐问题 | 第14-15页 |
| 1.2.3 推荐算法个性化问题 | 第15-16页 |
| 1.3 论文主要工作和创新点 | 第16-17页 |
| 1.4 论文结构安排 | 第17-18页 |
| 第二章 相关理论基础 | 第18-30页 |
| 2.1 推荐系统基本概念 | 第18-19页 |
| 2.2 常用的推荐算法 | 第19-26页 |
| 2.2.1 非个性化推荐算法 | 第19页 |
| 2.2.2 协同过滤算法 | 第19-21页 |
| 2.2.3 Slope One算法 | 第21-24页 |
| 2.2.4 基于二部图网络的推荐算法 | 第24-26页 |
| 2.3 推荐算法个性化理论 | 第26-27页 |
| 2.3.1 参数个性化的推荐算法 | 第26页 |
| 2.3.2 算法个性化的推荐方法 | 第26-27页 |
| 2.4 推荐系统常用数据集 | 第27-28页 |
| 2.5 推荐系统评价指标 | 第28-29页 |
| 2.5.1 数值预测评价指标 | 第28页 |
| 2.5.2 类型预测评价指标 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第三章 基于Slope One的参数个性化推荐算法 | 第30-53页 |
| 3.1 问题的提出和相关工作 | 第30-31页 |
| 3.2 参数个性化的Slope α推荐算法 | 第31-38页 |
| 3.2.1 理想的Slope α推荐算法 | 第32-33页 |
| 3.2.2 基于用户的Slope α推荐算法 | 第33-35页 |
| 3.2.3 基于物品的Slope α推荐算法 | 第35-36页 |
| 3.2.4 一种可行的确定个性化参数α的方案 | 第36-38页 |
| 3.3 实验设计 | 第38-40页 |
| 3.3.1 数据集 | 第38页 |
| 3.3.2 评价指标 | 第38-39页 |
| 3.3.3 实验方法与过程 | 第39-40页 |
| 3.4 实验结果与分析 | 第40-51页 |
| 3.4.1 不同数据集对个性化参数的影响 | 第40-41页 |
| 3.4.2 用户差异性对个性化参数的影响 | 第41-43页 |
| 3.4.3 Ideal-ISα算法实验结果 | 第43-44页 |
| 3.4.4 UISα算法实验结果 | 第44-46页 |
| 3.4.5 IISα算法实验结果 | 第46-49页 |
| 3.4.6 个性化参数的稳定性分析 | 第49-51页 |
| 3.5 本章小结 | 第51-53页 |
| 第四章 基于协同过滤的算法个性化推荐方法 | 第53-72页 |
| 4.1 问题的提出和相关工作 | 第53-54页 |
| 4.2 算法个性化的IRCF推荐方法 | 第54-57页 |
| 4.2.1 理想的IRCF推荐方法 | 第55-56页 |
| 4.2.2 基于用户度的IRCF推荐方法 | 第56页 |
| 4.2.3 基于物品度的IRCF推荐方法 | 第56-57页 |
| 4.3 实验设计 | 第57-58页 |
| 4.3.1 数据集 | 第57页 |
| 4.3.2 评价指标 | 第57-58页 |
| 4.3.3 实验方法与过程 | 第58页 |
| 4.4 实验结果与分析 | 第58-70页 |
| 4.4.1 用户对算法偏好的异质性 | 第59页 |
| 4.4.2 IRCF算法实验结果 | 第59-61页 |
| 4.4.3 用户度和物品度的分布 | 第61-62页 |
| 4.4.4 UDIRCF算法实验结果 | 第62-64页 |
| 4.4.5 IDIRCF算法实验结果 | 第64-66页 |
| 4.4.6 参数K和L的取值对算法的影响 | 第66-70页 |
| 4.5 本章小结 | 第70-72页 |
| 第五章 总结与展望 | 第72-74页 |
| 5.1 本文工作总结 | 第72-73页 |
| 5.2 未来工作展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-81页 |
| 攻读硕士学位期间取得的研究成果 | 第81-82页 |