| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10页 |
| 1.2 国内外相关研究综述 | 第10-14页 |
| 1.2.1 协同过滤算法的研究综述 | 第10-13页 |
| 1.2.2 个性化电影推荐的研究综述 | 第13-14页 |
| 1.3 研究内容、研究方法及技术路线 | 第14-17页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 研究方法 | 第15-16页 |
| 1.3.3 技术路线 | 第16-17页 |
| 第2章 相关理论及技术概述 | 第17-30页 |
| 2.1 推荐系统的概述 | 第17-20页 |
| 2.2 个性化推荐技术 | 第20-25页 |
| 2.2.1 基于内容的推荐算法 | 第20-22页 |
| 2.2.2 协同过滤的推荐算法 | 第22-24页 |
| 2.2.3 基于关联规则的推荐算法 | 第24页 |
| 2.2.4 个性化推荐技术的比较 | 第24-25页 |
| 2.3 混合推荐策略 | 第25-27页 |
| 2.4 相似度计算公式 | 第27-30页 |
| 第3章 基于混合协同过滤的个性化电影推荐算法 | 第30-47页 |
| 3.1 相关符号定义 | 第30-31页 |
| 3.2 基于邻域的协同过滤算法 | 第31-35页 |
| 3.2.1 基于用户的协同过滤算法（User-CF） | 第31-33页 |
| 3.2.2 基于项目的协同过滤算法（Item-CF） | 第33-34页 |
| 3.2.3 User-CF和Item-CF的比较 | 第34-35页 |
| 3.3 混合协同过滤推荐算法的设计 | 第35-47页 |
| 3.3.1 混合协同过滤推荐算法的基本思想 | 第35-36页 |
| 3.3.2 引入共同评分权重函数的相似度计算 | 第36-40页 |
| 3.3.3 引入时间权重函数的预测评分计算 | 第40-43页 |
| 3.3.4 计算最终预测评分 | 第43-45页 |
| 3.3.5 混合协同过滤推荐算法的流程描述 | 第45-47页 |
| 第4章 实验验证与分析 | 第47-57页 |
| 4.1 实验数据集与实验环境 | 第47-48页 |
| 4.2 度量标准 | 第48-49页 |
| 4.3 实验方案设计 | 第49-52页 |
| 4.4 实验结果及分析 | 第52-57页 |
| 4.4.1 验证Pro User-CF、Pro Item-CF的有效性 | 第52-54页 |
| 4.4.2 控制因子λ对混合协同过滤推荐算法的影响 | 第54-56页 |
| 4.4.3 验证混合协同过滤算法的有效性 | 第56-57页 |
| 第5章 个性化电影推荐系统的设计与实现 | 第57-71页 |
| 5.1 需求分析 | 第57-59页 |
| 5.2 系统架构设计 | 第59-61页 |
| 5.3 系统详细设计 | 第61-66页 |
| 5.3.1 功能模块设计 | 第61-62页 |
| 5.3.2 系统流程设计 | 第62-64页 |
| 5.3.3 数据库设计 | 第64-66页 |
| 5.4 个性化电影推荐系统的实现 | 第66-71页 |
| 5.4.1 系统开发环境 | 第66-67页 |
| 5.4.2 主要功能模块展示 | 第67-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 6.1 全文总结 | 第71-72页 |
| 6.2 创新点 | 第72页 |
| 6.3 研究展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 攻读硕士学位期间的主要科研成果 | 第78页 |
