| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 研究背景及意义 | 第13-15页 |
| 1.1.1 研究背景 | 第13-14页 |
| 1.1.2 研究意义 | 第14-15页 |
| 1.2 研究现状 | 第15-18页 |
| 1.2.1 国外现状 | 第15-17页 |
| 1.2.2 国内现状 | 第17-18页 |
| 1.3 本文内容与结构 | 第18-20页 |
| 1.3.1 主要内容 | 第18-19页 |
| 1.3.2 论文组织结构 | 第19-20页 |
| 第2章 个性化推荐技术介绍 | 第20-33页 |
| 2.1 个性化推荐系统简介 | 第20-21页 |
| 2.1.1 个性化推荐系统的定义 | 第20页 |
| 2.1.2 个性化推荐系统的框架 | 第20-21页 |
| 2.2 推荐系统的算法分类 | 第21-23页 |
| 2.2.1 基于内容的推荐算法 | 第21页 |
| 2.2.2 协同过滤推荐算法 | 第21-22页 |
| 2.2.3 基于关联规则的推荐算法 | 第22页 |
| 2.2.4 社会化推荐算法 | 第22-23页 |
| 2.2.5 混合推荐算法 | 第23页 |
| 2.3 协同过滤推荐算法 | 第23-29页 |
| 2.3.1 协同过滤算法简介 | 第23-25页 |
| 2.3.2 协同过滤推荐算法所面临的问题与挑战 | 第25页 |
| 2.3.3 协同过滤推荐算法常用分类 | 第25-26页 |
| 2.3.4 基于记忆效应的协同过滤推荐算法 | 第26-28页 |
| 2.3.5 基于模型的协同过滤推荐算法 | 第28-29页 |
| 2.4 推荐算法的性能评估 | 第29-32页 |
| 2.4.1 测试方法和数据集 | 第29-30页 |
| 2.4.2 评价指标 | 第30-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 基于局部近邻Slope One协同过滤推荐算法 | 第33-48页 |
| 3.1 问题描述 | 第33-34页 |
| 3.2 Slope One算法 | 第34-36页 |
| 3.2.1 Slope One算法简介 | 第34-35页 |
| 3.2.2 加权Slope One算法 | 第35页 |
| 3.2.3 双极Slope One算法 | 第35-36页 |
| 3.2.4 Slope One算法的优缺点 | 第36页 |
| 3.3 基于局部近邻Slope One协同过滤推荐算法 | 第36-41页 |
| 3.3.1 最近邻居项目选取 | 第37-38页 |
| 3.3.2 最优近邻的选取 | 第38-39页 |
| 3.3.3 推荐生成 | 第39-40页 |
| 3.3.4 算法过程描述 | 第40-41页 |
| 3.4 实验结果与分析 | 第41-46页 |
| 3.4.1 实验设置 | 第41页 |
| 3.4.2 实验结果分析 | 第41-46页 |
| 3.5 应用场景分析 | 第46-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第4章 基于动态专家的协同过滤推荐算法 | 第48-60页 |
| 4.1 问题描述 | 第48-49页 |
| 4.2 基于动态专家的协同过滤推荐算法 | 第49-53页 |
| 4.2.1 基于专家的协同过滤推荐算法简介 | 第49-50页 |
| 4.2.2 基于动态专家的选择 | 第50-52页 |
| 4.2.3 算法过程描述 | 第52-53页 |
| 4.3 实验结果与分析 | 第53-59页 |
| 4.3.1 实验设置 | 第53-54页 |
| 4.3.2 实验结果分析 | 第54-59页 |
| 4.4 应用场景分析 | 第59页 |
| 4.5 本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 附录A 攻读学位期间所获得的研究成果 | 第68-69页 |
| 附录B 攻读学位期间所参与的研究项目 | 第69页 |