| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景与研究意义 | 第10页 |
| 1.2 相关领域的研究现状和进展分析 | 第10-11页 |
| 1.3 课题的主要研究内容 | 第11-12页 |
| 1.4 论文的组织结构 | 第12-14页 |
| 第2章 上下文感知推荐技术 | 第14-24页 |
| 2.1 概述 | 第14-15页 |
| 2.1.1 传统推荐技术 | 第14-15页 |
| 2.1.2 上下文感知推荐技术 | 第15页 |
| 2.2 上下文感知计算 | 第15-17页 |
| 2.2.1 上下文定义 | 第15-16页 |
| 2.2.2 上下文获取 | 第16-17页 |
| 2.2.3 上下文建模 | 第17页 |
| 2.3 偏好提取技术 | 第17-19页 |
| 2.3.1 定量分析 | 第18-19页 |
| 2.3.2 定性分析 | 第19页 |
| 2.4 推荐生成技术 | 第19-21页 |
| 2.4.1 依据推荐生成算法的分类 | 第19-20页 |
| 2.4.2 依据应用上下文信息的方式的划分方法 | 第20-21页 |
| 2.5 效果评估 | 第21-22页 |
| 2.5.1 数据集 | 第21页 |
| 2.5.2 评价指标 | 第21-22页 |
| 2.6 本章小结 | 第22-24页 |
| 第3章 协同过滤推荐算法 | 第24-30页 |
| 3.1 概述 | 第24-25页 |
| 3.2 相似性计算方法 | 第25-26页 |
| 3.3 最近邻的选择策略 | 第26-27页 |
| 3.3.1 K近邻法 | 第26-27页 |
| 3.3.2 阈值法 | 第27页 |
| 3.4 评价值的预测 | 第27-28页 |
| 3.4.1 基于用户的协同过滤（User-Based Collaborative Filtering，UBCF）推荐算法 | 第27-28页 |
| 3.4.2 基于项目的协同过滤（Item-Based Collaborative Filtering，IBCF）推荐算法 | 第28页 |
| 3.5 本章小结 | 第28-30页 |
| 第4章 粗糙集理论 | 第30-36页 |
| 4.1 粗糙集的基本概念 | 第30-31页 |
| 4.1.1 知识与分类 | 第30页 |
| 4.1.2 粗糙集的基本定义 | 第30-31页 |
| 4.2 粗糙集的数字特征 | 第31-34页 |
| 4.2.1 重要度和依赖度 | 第31-32页 |
| 4.2.2 知识的约简和核 | 第32-34页 |
| 4.3 决策表的知识约简 | 第34-35页 |
| 4.3.1 决策表的基本定义 | 第34-35页 |
| 4.3.2 决策表的约简 | 第35页 |
| 4.4 本章小结 | 第35-36页 |
| 第5章 基于粗糙集和协同过滤的上下文感知推荐算法 | 第36-44页 |
| 5.1 上下文感知协同过滤的形式化定义 | 第37-38页 |
| 5.2 项目的属性约简 | 第38-41页 |
| 5.3 相似度的衡量 | 第41-42页 |
| 5.3.1 用户的相似度 | 第41页 |
| 5.3.2 带有偏好系数的用户相似度 | 第41-42页 |
| 5.4 基于用户的上下文感知协同过滤 | 第42-43页 |
| 5.5 本章小结 | 第43-44页 |
| 第6章 实验设计与结果分析 | 第44-50页 |
| 6.1 实验数据集 | 第44页 |
| 6.2 度量标准及试验参数配置 | 第44-46页 |
| 6.2.1 实验目的 | 第44-45页 |
| 6.2.2 评价标准 | 第45页 |
| 6.2.3 环境配置 | 第45-46页 |
| 6.3 推荐效果比较 | 第46-49页 |
| 6.4 本章小结 | 第49-50页 |
| 结论 | 第50-52页 |
| 参考文献 | 第52-58页 |
| 攻读硕士学位期间发表的学术论文 | 第58-60页 |
| 致谢 | 第60页 |