| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题背景及意义 | 第11页 |
| 1.2 相关技术研究现状 | 第11-17页 |
| 1.2.1 基于邻域的算法 | 第11-14页 |
| 1.2.2 隐语义模型 | 第14-15页 |
| 1.2.3 基于图的模型 | 第15-16页 |
| 1.2.4 混合推荐模型 | 第16-17页 |
| 1.3 主要研究内容 | 第17页 |
| 1.4 论文结构安排 | 第17-19页 |
| 第二章 用户行为数据分析及推荐系统框架 | 第19-25页 |
| 2.1 用户行为分析 | 第19-21页 |
| 2.1.1 用户行为分类 | 第19页 |
| 2.1.2 用户收视行为数据分析 | 第19-21页 |
| 2.2 推荐系统实现与设计的关键问题 | 第21-22页 |
| 2.3 用户电视产品推荐系统框架 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 用户多维度收视行为特征向量生成 | 第25-33页 |
| 3.1 用户行为提取 | 第25-26页 |
| 3.1.1 用户行为种类 | 第25页 |
| 3.1.2 用户行为的次数 | 第25页 |
| 3.1.3 电视产品的热门程度 | 第25-26页 |
| 3.2 用户行为特征生成 | 第26-30页 |
| 3.2.1 用户收视行为特征向量生成 | 第27-28页 |
| 3.2.2 用户点播行为特征向量生成 | 第28-30页 |
| 3.2.3 用户收视行为的时间偏好 | 第30页 |
| 3.2.4 归一化 | 第30页 |
| 3.3 本章小结 | 第30-33页 |
| 第四章 加权混合型推荐算法的设计与实现 | 第33-43页 |
| 4.1 问题分析 | 第33-34页 |
| 4.1.1 问题描述 | 第33页 |
| 4.1.2 推荐产品的相似度计算 | 第33-34页 |
| 4.2 不同预测算法的设计与实现 | 第34-41页 |
| 4.2.1 基于邻域的方法的设计与实现 | 第34-36页 |
| 4.2.2 基于用户的隐含主题兴趣相似度的推荐算法实现 | 第36-38页 |
| 4.2.3 矩阵分解模型 | 第38-39页 |
| 4.2.4 融入邻域的矩阵分析模型 | 第39-41页 |
| 4.2.5 融合时间信息的基于协同过滤的模型 | 第41页 |
| 4.3 模型的加权融合 | 第41-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第五章 系统测试与性能分析 | 第43-51页 |
| 5.1 推荐系统的评测指标 | 第43-44页 |
| 5.1.1 准确率 | 第43页 |
| 5.1.2 覆盖率 | 第43-44页 |
| 5.1.3 新颖性 | 第44页 |
| 5.2 评测维度 | 第44页 |
| 5.3 进行算法建模和系统评测的数据描述 | 第44-45页 |
| 5.4 算法性能测试与结果分析 | 第45-49页 |
| 5.4.1 子推荐模型的参数的设定和性能分析 | 第45-47页 |
| 5.4.2 加权混合模型的参数设定和性能分析 | 第47-49页 |
| 5.5 系统推荐结果的部分展示 | 第49页 |
| 5.6 本章小结 | 第49-51页 |
| 结束语 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 作者简历 | 第58页 |