| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 引言 | 第14页 |
| 1.2 研究背景和意义 | 第14-16页 |
| 1.3 国内外研究现状 | 第16-17页 |
| 1.4 本文的主要工作 | 第17页 |
| 1.5 本文结构安排 | 第17-20页 |
| 第二章 个性化推荐的相关基础介绍 | 第20-30页 |
| 2.1 个性化推荐概述 | 第20-21页 |
| 2.2 个性化推荐中的常见算法介绍 | 第21-27页 |
| 2.2.1 基于内容（Content-based）的推荐算法 | 第21-23页 |
| 2.2.2 基于关联规则（Rule-based）的推荐算法 | 第23-24页 |
| 2.2.3 基于协同过滤（Collaborative Filtering）的推荐算法 | 第24-25页 |
| 2.2.4 基于奇异值分解的推荐算法 | 第25-27页 |
| 2.2.5 混合推荐算法 | 第27页 |
| 2.3 推荐算法的常用性能评价标准 | 第27-28页 |
| 2.3.1 平均绝对误差（Mean Average Error） | 第27-28页 |
| 2.3.2 均方根误差（Root Mean Square Error） | 第28页 |
| 2.3.3 推荐效率 | 第28页 |
| 2.4 推荐算法研究中的常用数据集介绍 | 第28-29页 |
| 2.4.1 MovieLens电影评分数据 | 第28-29页 |
| 2.4.2 Netflix电影评分数据 | 第29页 |
| 2.4.3 Jester笑话评分数据 | 第29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 基于改进矩阵分解的推荐算法 | 第30-36页 |
| 3.1 基于矩阵分解的推荐算法MF | 第30-34页 |
| 3.2 基于高斯核函数矩阵分解的推荐算法（GKMF） | 第34页 |
| 3.3 带有偏置因子的GKMF推荐算法（GKMF+） | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 实验与分析 | 第36-50页 |
| 4.1 实验环境 | 第36页 |
| 4.2 实验数据集 | 第36-37页 |
| 4.3 评价标准 | 第37页 |
| 4.4 实验结果与分析 | 第37-48页 |
| 4.5 实验小结 | 第48-49页 |
| 4.6 本章小结 | 第49-50页 |
| 第五章 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50页 |
| 5.2 展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-58页 |
| 作者简介 | 第58-59页 |
