| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景和研究意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 本文研究工作 | 第12页 |
| 1.4 文章组织结构 | 第12-14页 |
| 第2章 个性化推荐的相关理论和技术 | 第14-26页 |
| 2.1 个性化推荐的概念 | 第14页 |
| 2.2 个性化推荐技术 | 第14-17页 |
| 2.2.1 基于关联规则的推荐算法 | 第14-15页 |
| 2.2.2 基于内容的推荐算法 | 第15-16页 |
| 2.2.3 基于协同过滤的推荐算法 | 第16页 |
| 2.2.4 基于混合策略的推荐算法 | 第16-17页 |
| 2.3 常用协同过滤算法 | 第17-23页 |
| 2.3.1 基于内存的协同过滤 | 第17-21页 |
| 2.3.2 基于模型的协同过滤 | 第21-22页 |
| 2.3.3 算法的比较 | 第22-23页 |
| 2.4 推荐结果的测评指标 | 第23-24页 |
| 2.5 本章小结 | 第24-26页 |
| 第3章 基于时间与信任度的协同过滤算法研究 | 第26-40页 |
| 3.1 优化的算法设计思想论述 | 第26-29页 |
| 3.1.1 用户兴趣迁移模型的引入 | 第26页 |
| 3.1.2 用户信任模型的引入 | 第26-29页 |
| 3.2 基于时间的用户相似度计算 | 第29-32页 |
| 3.2.1 用户兴趣迁移模型的构建 | 第29-31页 |
| 3.2.2 用户相似度计算 | 第31-32页 |
| 3.3 用户的信任度建模 | 第32-35页 |
| 3.3.1 直接信任度建模 | 第32-33页 |
| 3.3.2 间接信任度建模 | 第33-35页 |
| 3.4 相似-信任度计算 | 第35-36页 |
| 3.5 算法描述 | 第36-38页 |
| 3.6 本章小结 | 第38-40页 |
| 第4章 融合聚类和协同过滤的个性化推荐算法研究 | 第40-52页 |
| 4.1 传统基于用户聚类的协同过滤算法 | 第40-43页 |
| 4.1.1 K-means聚类算法 | 第40-42页 |
| 4.1.2 算法的思想概述 | 第42-43页 |
| 4.2 优化的算法设计思想论述 | 第43-45页 |
| 4.3 基于用户特征属性的K-means聚类 | 第45-48页 |
| 4.3.1 基于熵值法的用户属性相似度计算 | 第45-47页 |
| 4.3.2 基于用户属性相似度的K-means聚类 | 第47-48页 |
| 4.4 算法描述 | 第48-50页 |
| 4.5 本章小结 | 第50-52页 |
| 第5章 实验及结果分析 | 第52-62页 |
| 5.1 实验目的 | 第52页 |
| 5.2 实验环境及实验数据 | 第52-54页 |
| 5.2.1 实验环境 | 第52页 |
| 5.2.2 实验数据 | 第52-54页 |
| 5.3 评价指标 | 第54-55页 |
| 5.3.1 平均绝对误差 | 第54页 |
| 5.3.2 数据稀疏度 | 第54-55页 |
| 5.3.3 最近邻查找效率 | 第55页 |
| 5.4 实验设计及结果分析 | 第55-60页 |
| 5.4.1 时间权重因子的确定 | 第55-56页 |
| 5.4.2 信任传递长度的确定 | 第56-57页 |
| 5.4.3 信任度权重的确定 | 第57-58页 |
| 5.4.4 最佳聚类数的确定 | 第58-59页 |
| 5.4.5 最近邻查找效率比较 | 第59页 |
| 5.4.6 改进算法与传统算法的MAE比较 | 第59-60页 |
| 5.5 本章小结 | 第60-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间发表的学术论文 | 第68-70页 |
| 致谢 | 第70页 |