| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 个性化推荐系统的国内外研究现状 | 第10-12页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 个性化推荐系统国内研究现状 | 第11-12页 |
| 1.3 本文的主要工作 | 第12页 |
| 1.4 本文的组织结构 | 第12-15页 |
| 2 个性化推荐系统的理论和应用 | 第15-27页 |
| 2.1 个性化推荐系统概述 | 第15-17页 |
| 2.1.1 个性化推荐系统的定义 | 第15-16页 |
| 2.1.2 个性化推荐系统的作用 | 第16-17页 |
| 2.2 个性化推荐系统的基本框架 | 第17-21页 |
| 2.2.1 基本框架的概述 | 第17-18页 |
| 2.2.2 基本框架的构成 | 第18-21页 |
| 2.3 个性化推荐系统的评价指标 | 第21-23页 |
| 2.3.1 平均绝对误差 | 第22页 |
| 2.3.2 准确率和召回率 | 第22-23页 |
| 2.4 个性化推荐系统的应用 | 第23-26页 |
| 2.4.1 个性化推荐系统在电子商务中的应用 | 第23-25页 |
| 2.4.2 个性化推荐系统在电影和视频网站上的应用 | 第25-26页 |
| 2.4.3 个性化推荐系统在网络阅读中的应用 | 第26页 |
| 2.5 小结 | 第26-27页 |
| 3 协同过滤个性化推荐算法 | 第27-35页 |
| 3.1 协同过滤推荐算法 | 第27-31页 |
| 3.1.1 基于用户的协同过滤 | 第27-29页 |
| 3.1.2 基于项目的协同过滤 | 第29-30页 |
| 3.1.3 协同过滤推荐技术的优点和缺点 | 第30-31页 |
| 3.2 基于模型的协同过滤推荐算法 | 第31-32页 |
| 3.2.1 基于模型的Slope One算法的概述 | 第31页 |
| 3.2.2 基于模型的Slope One算法的模型 | 第31-32页 |
| 3.3 不同协同过滤推荐算法的推荐性能的比较 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 4 Top-N推荐下协同过滤算法的推荐效果研究 | 第35-45页 |
| 4.1 实验环境 | 第35页 |
| 4.2 实验数据 | 第35页 |
| 4.3 实验方案设计 | 第35-36页 |
| 4.4 实验结果及分析 | 第36-43页 |
| 4.4.1 推荐数N与相似邻居数K相等的实验结果 | 第36-38页 |
| 4.4.2 已知推荐数N，相似邻居数K逐步增大的实验结果 | 第38-40页 |
| 4.4.3 已知相似邻居数K，推荐数N在小于K的范围内逐步增大的实验结果 | 第40-43页 |
| 4.5 本章小结 | 第43-45页 |
| 5 总结与展望 | 第45-47页 |
| 5.1 结论 | 第45页 |
| 5.2 展望 | 第45-47页 |
| 致谢 | 第47-49页 |
| 参考文献 | 第49-51页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第51页 |
