| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·研究背景及意义 | 第10页 |
| ·国内外研究现状 | 第10-16页 |
| ·信息过滤技术与推荐系统简介 | 第10-12页 |
| ·用户信息建模 | 第12页 |
| ·过滤算法研究 | 第12-14页 |
| ·重点与难点 | 第14-15页 |
| ·本文研究内容与章节安排 | 第15-16页 |
| 第2章 信息推荐技术相关模型与算法综述 | 第16-26页 |
| ·信息推荐技术的基本框架 | 第16页 |
| ·基于内存的信息推荐算法 | 第16-22页 |
| ·相似性定义 | 第17-19页 |
| ·基于最近邻（K-Nearest-neighbor）的信息推荐 | 第19-20页 |
| ·基于项目的信息推荐 | 第20-22页 |
| ·协同过滤算法 | 第22-23页 |
| ·基于统计模型的信息推荐算法 | 第23-25页 |
| ·本章小结 | 第25-26页 |
| 第3章 基于经典 LOGISTIC 模型的信息推荐 | 第26-41页 |
| ·问题的提出 | 第26-28页 |
| ·LOGISITIC 模型及其参数估计 | 第28-32页 |
| ·Logistic 模型的定义 | 第28-29页 |
| ·参数的极大似然估计 | 第29-31页 |
| ·重复观测下 Logistic 模型及其参数估计 | 第31-32页 |
| ·实验 | 第32-40页 |
| ·实验数据集 | 第32-33页 |
| ·各变量描述性分析 | 第33-34页 |
| ·模型分析 | 第34-36页 |
| ·结果评价 | 第36-40页 |
| ·本章小结 | 第40-41页 |
| 第4章 基于广义可加 LOGISTIC模型的信息推荐 | 第41-52页 |
| ·问题的提出 | 第41页 |
| ·模型定义 | 第41-43页 |
| ·参数估计的 LOCAL SCORING 算法 | 第43-45页 |
| ·广义可加 LOGISTIC 模型参数估计 | 第45-46页 |
| ·实验 | 第46-51页 |
| ·数据分析 | 第46-48页 |
| ·结果评价 | 第48-50页 |
| ·不平衡数据测试 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 总结 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57-58页 |
| 附件 | 第58页 |
