| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 1 绪论 | 第11-21页 |
| ·研究背景及研究意义 | 第11-12页 |
| ·国内外研究现状 | 第12-17页 |
| ·推荐技术面临问题及挑战 | 第17-18页 |
| ·论文组织结构 | 第18-21页 |
| 2 协同过滤推荐技术概述 | 第21-44页 |
| ·个性化推荐技术 | 第21-30页 |
| ·基于关联规则的推荐 | 第22-24页 |
| ·基于内容的推荐 | 第24-27页 |
| ·协同过滤推荐 | 第27-28页 |
| ·混合推荐技术 | 第28-29页 |
| ·各推荐技术应用 | 第29-30页 |
| ·协同过滤概况 | 第30-37页 |
| ·工作原理 | 第30-31页 |
| ·推荐步骤 | 第31-35页 |
| ·评估策略 | 第35-37页 |
| ·常用协同过滤算法 | 第37-43页 |
| ·基于内存的协同过滤 | 第37-39页 |
| ·基于模型的协同过滤 | 第39-42页 |
| ·混合式协同过滤 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 3 基于信息熵的相似性度量方法 | 第44-56页 |
| ·问题的提出 | 第44-45页 |
| ·现有的解决方法 | 第45-47页 |
| ·一种基于信息熵的相似性度量方法 | 第47-51页 |
| ·算法提出的动机 | 第47页 |
| ·算法设计 | 第47-50页 |
| ·算法说明 | 第50-51页 |
| ·实验结果及分析 | 第51-54页 |
| ·实验数据 | 第51页 |
| ·实验评估策略 | 第51-52页 |
| ·实验结果及讨论 | 第52-54页 |
| ·本章小结 | 第54-56页 |
| 4 基于用户评分和项目属性的混合式协同过滤 | 第56-68页 |
| ·问题的提出及现有解决方法 | 第56-58页 |
| ·基于用户评分和项目属性偏好的混和协同过滤 | 第58-62页 |
| ·基于项目属性偏好的用户相似性度量 | 第58-59页 |
| ·算法流程 | 第59-62页 |
| ·实验结果及分析 | 第62-66页 |
| ·实验数据 | 第62-63页 |
| ·实验结果及讨论 | 第63-66页 |
| ·本章小结 | 第66-68页 |
| 5 基于 SVD 的用户聚类协同过滤 | 第68-79页 |
| ·问题的提出及现有解决方法 | 第68-70页 |
| ·基于SVD 的K-means 协同过滤算法 | 第70-74页 |
| ·SVD 算法与K-means 算法 | 第70-72页 |
| ·算法设计 | 第72-74页 |
| ·实验结果及分析 | 第74-78页 |
| ·实验数据 | 第74-75页 |
| ·实验结果及讨论 | 第75-78页 |
| ·本章小结 | 第78-79页 |
| 6 基于集成学习的协同过滤 | 第79-94页 |
| ·问题的提出及现有解决方法 | 第79-80页 |
| ·集成学习概述 | 第80-87页 |
| ·基本概念 | 第80-81页 |
| ·集成学习的有效性性 | 第81-82页 |
| ·个体生成方法 | 第82-86页 |
| ·结论生成方法 | 第86-87页 |
| ·一种改进的自适应Ada-Boost 协同过滤算法 | 第87-92页 |
| ·基类学习算法设计 | 第87-90页 |
| ·改进的自适应Ada-Boost.RT 算法设计 | 第90-92页 |
| ·实验结果及分析 | 第92-93页 |
| ·实验数据 | 第92页 |
| ·实验结果及讨论 | 第92-93页 |
| ·本章小结 | 第93-94页 |
| 7 总结和展望 | 第94-97页 |
| ·本文工作总结 | 第94-95页 |
| ·未来工作展望 | 第95-97页 |
| 参考文献 | 第97-106页 |
| 致谢 | 第106-107页 |
| 个人简历、在学期间发表的学术论文 | 第107页 |