| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题的研究背景和意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-12页 |
| 1.1.2 研究意义 | 第12页 |
| 1.2 国内外研究现状概况 | 第12-13页 |
| 1.3 论文的主要工作和组织安排 | 第13-15页 |
| 第2章 相关研究综述 | 第15-30页 |
| 2.1 常用推荐算法综述 | 第15-19页 |
| 2.1.1 基于关联规则的算法 | 第15-16页 |
| 2.1.2 基于内容的算法 | 第16-17页 |
| 2.1.3 基于协同过滤的算法 | 第17-18页 |
| 2.1.4 混合型推荐技术 | 第18页 |
| 2.1.5 各种推荐技术对比 | 第18-19页 |
| 2.2 协同过滤推荐算法 | 第19-22页 |
| 2.2.1 基于用户(User Based)的协同过滤算法 | 第19-20页 |
| 2.2.2 基于项目(Item Based)的协同过滤算法 | 第20-21页 |
| 2.2.3 基于模型的协同过滤算法 | 第21页 |
| 2.2.4 协同过滤算法遇到的问题 | 第21-22页 |
| 2.3 上下文感知推荐系统 | 第22-28页 |
| 2.3.1 上下文感知推荐系统的框架 | 第22-23页 |
| 2.3.2 上下文的引入及问题 | 第23-24页 |
| 2.3.3 上下文感知推荐技术的分类 | 第24-28页 |
| 2.4 推荐算法质量评估方法 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 上下文引入及相似度计算 | 第30-40页 |
| 3.1 上下文相似度 | 第30-33页 |
| 3.1.1 上下文量化 | 第30页 |
| 3.1.2 改进的上下文相似度方法 | 第30-33页 |
| 3.2 稀疏性问题研究 | 第33-35页 |
| 3.3 引入上下文后的稀疏性问题 | 第35-36页 |
| 3.4 混合上下文引入方法 | 第36-38页 |
| 3.4.1 紧密上下文 | 第36-37页 |
| 3.4.2 上下文粒度 | 第37-38页 |
| 3.5 基于上下文的数据预测填充 | 第38-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第4章 基于上下文相似度的协同过滤改进算法 | 第40-47页 |
| 4.1 改进算法需要解决的问题 | 第40-41页 |
| 4.2 基于上下文相似度的改进算法 | 第41-45页 |
| 4.2.1 数据模型定义 | 第41-42页 |
| 4.2.2 上下文相似度计算及近邻用户集获取 | 第42-44页 |
| 4.2.3 生成基于上下文综合相似度的推荐结果 | 第44-45页 |
| 4.3 本章小结 | 第45-47页 |
| 第5章 实验及结果分析 | 第47-55页 |
| 5.1 实验环境及软件 | 第47页 |
| 5.1.1 数据模型定义 | 第47页 |
| 5.1.2 实验软件 | 第47页 |
| 5.2 推荐质量评价方法 | 第47-48页 |
| 5.3 实验数据 | 第48页 |
| 5.4 实验步骤 | 第48-50页 |
| 5.4.1 数据预处理 | 第48-49页 |
| 5.4.2 上下文引入及量化 | 第49页 |
| 5.4.3 数据预测填充 | 第49页 |
| 5.4.4 实验参数调整 | 第49-50页 |
| 5.5 实验分析 | 第50-54页 |
| 5.5.1 三种算法两种指标对比 | 第50-51页 |
| 5.5.2 三种算法在不同数据集下的MAE对比 | 第51-52页 |
| 5.5.3 三种算法不同参数下的指标对比 | 第52-54页 |
| 5.6 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-60页 |