| 摘要 | 第1-5页 |
| ABSTRACT | 第5-11页 |
| 第一章 绪论 | 第11-17页 |
| ·课题研究的背景及意义 | 第11-12页 |
| ·国内外相关的研究 | 第12-15页 |
| ·推荐系统研究现状 | 第12-13页 |
| ·协同过滤研究现状 | 第13-15页 |
| ·本文的主要研究内容 | 第15-16页 |
| ·论文的组织 | 第16-17页 |
| 第二章 协同过滤推荐技术 | 第17-37页 |
| ·引言 | 第17-20页 |
| ·协同过滤概念和原理 | 第20页 |
| ·协同过滤推荐技术的应用 | 第20-21页 |
| ·经典的协同过滤推荐技术 | 第21-30页 |
| ·基于内存的协同过滤推荐技术 | 第22-26页 |
| ·基于模型的协同过滤推荐技术 | 第26-30页 |
| ·混合推荐技术 | 第30页 |
| ·协同过滤推荐技术存在的问题 | 第30-32页 |
| ·准确性问题 | 第30-31页 |
| ·扩展性问题 | 第31页 |
| ·数据稀疏性问题 | 第31页 |
| ·实时动态性问题 | 第31-32页 |
| ·冷启动问题 | 第32页 |
| ·实验真实数据集 | 第32-36页 |
| ·本章小结 | 第36-37页 |
| 第三章 基于二阶段相似度学习的协同过滤推荐算法 | 第37-58页 |
| ·引言 | 第37-39页 |
| ·基于二阶段相似度学习的协同过滤推荐算法 | 第39-42页 |
| ·基于相似度学习算法推导 | 第39-41页 |
| ·基于二阶段相似度学习算法 | 第41-42页 |
| ·基于二阶段相似度学习协同过滤推荐算法的优化 | 第42-44页 |
| ·海选的优化——支持度权重 | 第42-43页 |
| ·精选的优化——防止过拟合 | 第43-44页 |
| ·精选求解方法 | 第44-47页 |
| ·既约梯度法 | 第44-46页 |
| ·黄金分割法 | 第46-47页 |
| ·算法步骤描述 | 第47页 |
| ·基于二阶段相似度学习的协同过滤推荐系统结构 | 第47-49页 |
| ·实验与分析 | 第49-57页 |
| ·评测指标 | 第49-50页 |
| ·实验与分析 | 第50-57页 |
| ·本章小结 | 第57-58页 |
| 第四章 基于子空间用户代表的二阶段相似度学习协同过滤算法 | 第58-78页 |
| ·引言 | 第58-59页 |
| ·基于子空间用户代表的二阶段相似度学习协同过滤算法原理 | 第59-66页 |
| ·子空间的划分 | 第59-61页 |
| ·子空间的用户相似度 | 第61-62页 |
| ·基于子空间用户代表与基于二阶段相似度学习协同过滤算法结合 | 第62-65页 |
| ·子空间的归并 | 第65-66页 |
| ·子空间上用户代表的生成方法 | 第66-69页 |
| ·模糊 C-均值聚类算法 | 第66-68页 |
| ·初始用户代表的选择 | 第68-69页 |
| ·算法步骤描述 | 第69-71页 |
| ·实验与分析 | 第71-77页 |
| ·本章小结 | 第77-78页 |
| 第五章 基于滚动时间窗的动态协同过滤推荐模型及算法 | 第78-90页 |
| ·引言 | 第78页 |
| ·传统协同过滤推荐算法及动态时序性问题 | 第78-79页 |
| ·基于滚动时间窗的用户-项目-时间三维动态模型 | 第79-81页 |
| ·基于动态模型的协同过滤推荐算法 | 第81-86页 |
| ·算法核心思想 | 第81页 |
| ·算法具体步骤 | 第81-86页 |
| ·算法流程图 | 第86页 |
| ·实验与分析 | 第86-89页 |
| ·评测指标 | 第86-87页 |
| ·算法性能实验 | 第87页 |
| ·算法参数实验 | 第87-89页 |
| ·本章小结 | 第89-90页 |
| 第六章 总结与展望 | 第90-93页 |
| ·研究工作总结 | 第90-91页 |
| ·未来研究展望 | 第91-93页 |
| 参考文献 | 第93-99页 |
| 攻读硕士学位期间的主要学术成果 | 第99-100页 |
| 致谢 | 第100-103页 |
| 附件 | 第103页 |
