| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 推荐技术研究现状 | 第12-13页 |
| 1.3 推荐技术所面临的问题和挑战 | 第13-14页 |
| 1.4 本文研究内容与结构 | 第14-16页 |
| 第2章 推荐系统介绍 | 第16-24页 |
| 2.1 推荐系统的发展 | 第16页 |
| 2.2 推荐系统的应用 | 第16-18页 |
| 2.2.1 电子商务 | 第16-17页 |
| 2.2.2 电影和视频网站 | 第17页 |
| 2.2.3 个性化音乐 | 第17-18页 |
| 2.2.4 个性化阅读 | 第18页 |
| 2.3 推荐算法简介 | 第18-22页 |
| 2.3.1 基于内容的推荐 | 第18-19页 |
| 2.3.2 协同过滤推荐 | 第19-20页 |
| 2.3.3 组合推荐 | 第20页 |
| 2.3.4 基于复杂网络的推荐 | 第20-22页 |
| 2.4 其他推荐算法简介 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 K-means 算法的改进 | 第24-34页 |
| 3.1 聚类分析概述 | 第24-26页 |
| 3.1.1 聚类的基于划分方法的定义 | 第24页 |
| 3.1.2 聚类分析的特点及应用 | 第24-25页 |
| 3.1.3 聚类分析方法的分类 | 第25-26页 |
| 3.2 聚类技术中的 K-means 聚类 | 第26-27页 |
| 3.3 Simrank 算法 | 第27页 |
| 3.4 K-means 算法的改进 | 第27-29页 |
| 3.4.1 K-means 中要解决的两个问题 | 第28页 |
| 3.4.2 K-means 的改进 | 第28-29页 |
| 3.5 改进的 K-means 算法步骤 | 第29-30页 |
| 3.6 实验结果及分析 | 第30-33页 |
| 3.6.1 数据集 | 第30-31页 |
| 3.6.2 实验结果及分析 | 第31-33页 |
| 3.7 本章小结 | 第33-34页 |
| 第4章 基于三部图的推荐算法的改进 | 第34-41页 |
| 4.1 基于三部图推荐算法介绍 | 第34-35页 |
| 4.2 改进的基于三部图的推荐算法 | 第35-36页 |
| 4.2.1 改进的三部图模型 | 第35页 |
| 4.2.2 三部图推荐改进的资源分配过程 | 第35-36页 |
| 4.3 实验结果及分析 | 第36-37页 |
| 4.4 N部图模型—（三部图模型的扩展） | 第37-40页 |
| 4.5 本章小结 | 第40-41页 |
| 第5章 基于 K-means 与复杂网络的商品推荐 | 第41-47页 |
| 5.1 基于 K-means 与复杂网络的商品推荐 | 第41-44页 |
| 5.2 实验分析 | 第44-46页 |
| 5.3 本章小结 | 第46-47页 |
| 第6章 结论与展望 | 第47-48页 |
| 6.1 工作总结 | 第47页 |
| 6.2 工作展望 | 第47-48页 |
| 参考文献 | 第48-52页 |
| 致谢 | 第52-53页 |
| 攻读学位期间发表的论文及参加的科研项目 | 第53页 |