| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 论文的选题背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文研究内容 | 第12-13页 |
| 1.4 本文组织结构 | 第13-14页 |
| 第二章 推荐系统相关理论 | 第14-23页 |
| 2.1 推荐系统 | 第14-17页 |
| 2.1.1 推荐系统的定义 | 第14-15页 |
| 2.1.2 推荐系统的作用 | 第15-16页 |
| 2.1.3 推荐系统面临的问题 | 第16-17页 |
| 2.2 主流推荐技术的简介 | 第17-19页 |
| 2.2.1 协同过滤推荐方法 | 第17页 |
| 2.2.2 基于内容的推荐方法 | 第17-18页 |
| 2.2.3 基于知识的推荐方法 | 第18页 |
| 2.2.4 混合推荐方法 | 第18-19页 |
| 2.3 各种推荐技术的对比 | 第19页 |
| 2.4 推荐系统的评价 | 第19-22页 |
| 2.4.1 预测准确度 | 第19-21页 |
| 2.4.2 其它评价指标 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 协同过滤推荐算法的研究及分析 | 第23-36页 |
| 3.1 协同过滤推荐方法 | 第23-29页 |
| 3.1.1 基于记忆的协同过滤 | 第23-27页 |
| 3.1.2 基于模型的协同过滤 | 第27-29页 |
| 3.2 基于用户的协同过滤推荐算法的相关问题 | 第29-32页 |
| 3.2.1 用户相似度计算的问题 | 第29-30页 |
| 3.2.2 忽略时间效应产生的影响 | 第30-32页 |
| 3.3 基于用户的协同过滤推荐算法的改进 | 第32-35页 |
| 3.3.1 提出用户联合相似度的计算方法 | 第32-34页 |
| 3.3.2 引入时间效应对评分预测的影响 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于用户联合相似度的协同过滤推荐算法 | 第36-52页 |
| 4.1 用户联合相似度的构造 | 第36-45页 |
| 4.1.1 用户喜好分布的相似性度量 | 第36-42页 |
| 4.1.2 用户个人信息的相似性度量 | 第42-43页 |
| 4.1.3 联合相似度的组合方式 | 第43-45页 |
| 4.2 时间效应对评分预测影响的具体计算方法 | 第45-47页 |
| 4.2.1 时效性对物品热度的影响 | 第45-46页 |
| 4.2.2 物品热度衰减与推荐算法评分预测的结合 | 第46-47页 |
| 4.3 基于用户联合相似度的协同过滤推荐算法的形成 | 第47-51页 |
| 4.3.1 算法思路 | 第47页 |
| 4.3.2 算法流程及算法步骤 | 第47-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 算法实验及结果分析 | 第52-63页 |
| 5.1 实验条件 | 第52-54页 |
| 5.1.1 实验数据简介 | 第52-53页 |
| 5.1.2 实验环境 | 第53-54页 |
| 5.1.3 实验评价指标 | 第54页 |
| 5.2 实验方案 | 第54-57页 |
| 5.3 实验结果对比分析 | 第57-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 本文总结 | 第63-64页 |
| 6.2 未来展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 在学期间发表的论文和取得的学术成果 | 第69页 |