| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 专用术语注释表 | 第9-10页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 论文研究内容及主要贡献 | 第13页 |
| 1.4 论文结构 | 第13-15页 |
| 第二章 推荐算法相关研究 | 第15-26页 |
| 2.1 基于知识的推荐 | 第16页 |
| 2.2 基于内容的推荐 | 第16-19页 |
| 2.3 协同过滤推荐 | 第19-25页 |
| 2.3.1 基于内存的协同过滤 | 第19-23页 |
| 2.3.2 基于模型的协同过滤 | 第23-25页 |
| 2.4 混合推荐模型 | 第25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 WeightedKM-Slope-Vu推荐算法 | 第26-38页 |
| 3.1 Kmeans与Slope One算法原理介绍 | 第26-29页 |
| 3.1.1 KMeans | 第26-27页 |
| 3.1.2 Slope One | 第27-29页 |
| 3.2 KM-Slope-Vu算法的提出 | 第29-32页 |
| 3.2.1 KM-Slope-Vu推荐算法框架 | 第29-30页 |
| 3.2.2 基于虚拟用户的Slope One | 第30-32页 |
| 3.3 实验结果与分析 | 第32-36页 |
| 3.3.1 MovieLens数据集介绍 | 第32页 |
| 3.3.2 评价标准 | 第32-33页 |
| 3.3.3 算法精度复杂度比较分析 | 第33-36页 |
| 3.4 本章小结 | 第36-38页 |
| 第四章 个性化实时电影推荐系统MovieWatch实现 | 第38-51页 |
| 4.1 电影网站MovieWatch | 第38-41页 |
| 4.1.1 用户注册和登录 | 第38-39页 |
| 4.1.2 电影主页 | 第39-40页 |
| 4.1.3 电影详情页 | 第40页 |
| 4.1.4 猜你喜欢 | 第40-41页 |
| 4.2 电影网站MovieWatch技术实现 | 第41-45页 |
| 4.2.1 数据存储 | 第42-44页 |
| 4.2.3 负载均衡问题(一致性hash算法) | 第44-45页 |
| 4.2.4 服务降级策略 | 第45页 |
| 4.3 开发环境 | 第45-50页 |
| 4.3.1 本地环境(MyEclipse,MySql,Tomcat) | 第45-47页 |
| 4.3.2 生产环境 | 第47-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 MovieWatch电影推荐系统性能评估 | 第51-59页 |
| 5.1 MovieWatch推荐系统数据收集 | 第51-54页 |
| 5.1.1 MovieWatch用户注册信息 | 第51-52页 |
| 5.1.2 MovieWatch用户电影评分数据信息 | 第52-53页 |
| 5.1.3 MovieWatch用户电影反馈数据信息 | 第53-54页 |
| 5.2 在线验证WeightedKM-Slope-Vu算法的有效性 | 第54-56页 |
| 5.3 不同环境下算法性能差异分析 | 第56-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 本文总结 | 第59页 |
| 6.2 未来展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第65-66页 |
| 附录2 攻读硕士学位期间申请的专利 | 第66-67页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第67-68页 |
| 致谢 | 第68页 |
