| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 论文研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 图书资源个性化推荐技术面临的问题 | 第12-14页 |
| 1.4 论文主要研究内容 | 第14-15页 |
| 1.5 论文的组织架构 | 第15-17页 |
| 第2章 图书资源个性化推荐算法相关研究 | 第17-28页 |
| 2.1 个性化推荐算法相关技术介绍 | 第17-26页 |
| 2.1.1 协同过滤推荐技术 | 第18-19页 |
| 2.1.2 基于内容的推荐技术 | 第19-21页 |
| 2.1.3 基于知识的推荐 | 第21-23页 |
| 2.1.4 基于关联规则的推荐 | 第23-24页 |
| 2.1.5 混合推荐技术 | 第24-26页 |
| 2.2 个性化推荐算法评估技术介绍 | 第26-28页 |
| 2.2.1 预测评分准确度 | 第26-27页 |
| 2.2.2 分类准确度 | 第27页 |
| 2.2.3 覆盖率 | 第27-28页 |
| 第3章 协同过滤推荐技术 | 第28-38页 |
| 3.1 相似度度量体系 | 第28-30页 |
| 3.1.1 Jaccard公式计算相似度 | 第28-29页 |
| 3.1.2 余弦相似度 | 第29页 |
| 3.1.3 Person相关系数 | 第29-30页 |
| 3.2 基于用户的最近邻推荐(User-based CF) | 第30-33页 |
| 3.2.1 算法的步骤 | 第31-32页 |
| 3.2.2 算法的设计 | 第32-33页 |
| 3.3 基于项目的最近邻推荐(Item-based CF) | 第33-36页 |
| 3.3.1 算法的步骤 | 第34-35页 |
| 3.3.2 算法的设计 | 第35-36页 |
| 3.4 两个算法实验结果及分析 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 用户和项目混合协同过滤推荐技术 | 第38-50页 |
| 4.1 两个传统算法的优缺点分析 | 第38-39页 |
| 4.2 用户行为分析 | 第39-41页 |
| 4.2.1 活跃用户和流行项目的分布 | 第40-41页 |
| 4.2.2 活跃用户和流行项目的关系 | 第41页 |
| 4.3 算法的改进思路 | 第41-47页 |
| 4.3.1 用户相似度的改进 | 第42-43页 |
| 4.3.2 项目相似度的改进 | 第43-45页 |
| 4.3.3 稀疏矩阵的压缩 | 第45-46页 |
| 4.3.4 用户关联性和项目关联性的综合考虑 | 第46-47页 |
| 4.4 改进的混合协同过滤算法流程 | 第47-49页 |
| 4.4.1 算法的步骤 | 第47-48页 |
| 4.4.2 算法的设计 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 网络图书资源上的应用及实验 | 第50-59页 |
| 5.1 网络图书资源数据集的选取 | 第50页 |
| 5.2 实验设计与算法评测 | 第50-53页 |
| 5.2.1 实验设计 | 第50-52页 |
| 5.2.2 评测指标 | 第52-53页 |
| 5.3 实验结果及分析 | 第53-58页 |
| 5.3.1 传统User-based CF与改进的User-based CF的比较分析 | 第53-54页 |
| 5.3.2 传统Item-based CF与改进的Item-based CF的比较分析 | 第54-56页 |
| 5.3.3 传统的两个算法与混合协同过滤算法的比较分析 | 第56-57页 |
| 5.3.4 改进的算法与混合协同过滤算法的比较分析 | 第57-58页 |
| 5.4 本章小结 | 第58-59页 |
| 结论 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 攻读硕士学位期间发表的论文 | 第66页 |
