基于协同过滤及关联规则的个性化图书推荐
| 摘要 | 第2-4页 |
| ABSTRACT | 第4-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 本文的研究内容 | 第12-13页 |
| 1.4 本文的组织架构 | 第13-15页 |
| 第2章 个性化推荐系统相关理论 | 第15-23页 |
| 2.1 个性化推荐系统概述 | 第15-18页 |
| 2.1.1 个性化推荐系统介绍 | 第15页 |
| 2.1.2 推荐系统的分类 | 第15-16页 |
| 2.1.3 推荐系统的架构 | 第16-17页 |
| 2.1.4 推荐系统的应用 | 第17-18页 |
| 2.2 推荐算法介绍 | 第18-22页 |
| 2.2.1 基于统计学的推荐算法 | 第18页 |
| 2.2.2 基于内容的推荐算法 | 第18-19页 |
| 2.2.3 协同过滤的推荐算法 | 第19-20页 |
| 2.2.4 基于关联规则的推荐算法 | 第20-21页 |
| 2.2.5 基于混合的推荐算法 | 第21页 |
| 2.2.6 主要推荐算法的优缺点 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第3章 改进相似度的协同过滤算法 | 第23-38页 |
| 3.1 需要解决的主要问题及思路 | 第23页 |
| 3.2 数据选择和处理 | 第23-24页 |
| 3.3 协同过滤算法步骤 | 第24-25页 |
| 3.4 基于图书借阅记录的用户相似度 | 第25-33页 |
| 3.4.1 系统扩展性问题的解决 | 第25-26页 |
| 3.4.2 评分数据稀疏问题的解决 | 第26-27页 |
| 3.4.3 用户的隐式评分转化 | 第27-30页 |
| 3.4.4 用户评分矩阵的构建和相似度计算 | 第30-33页 |
| 3.5 基于用户属性特征的相似度 | 第33-36页 |
| 3.6 综合相似度及TOP-N推荐 | 第36-37页 |
| 3.6.1 计算用户综合相似度 | 第36页 |
| 3.6.2 图书的预测评分及TOP-N推荐 | 第36-37页 |
| 3.7 本章小结 | 第37-38页 |
| 第4章 基于关联规则的推荐结果集优化 | 第38-48页 |
| 4.1 推荐结果集的优化问题 | 第38页 |
| 4.2 关联规则的定义和分类 | 第38-39页 |
| 4.3 关联规则挖掘过程和部分关键代码 | 第39-45页 |
| 4.4 基于协同过滤及关联规则推荐算法描述 | 第45-46页 |
| 4.5 系统中冷启动问题的讨论和解决思路 | 第46-47页 |
| 4.5.1 新用户的推荐问题 | 第46页 |
| 4.5.2 新图书推荐问题 | 第46-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第5章 实验结果分析 | 第48-53页 |
| 5.1 实验的评价方法和指标 | 第48-49页 |
| 5.2 实验数据和环境 | 第49页 |
| 5.3 实验结果分析 | 第49-52页 |
| 5.4 本章小结 | 第52-53页 |
| 第6章 基于改进算法的原型系统实现 | 第53-63页 |
| 6.1 个性化图书推荐系统需求分析 | 第53页 |
| 6.2 个性化图书推荐系统的设计和实现 | 第53-62页 |
| 6.2.1 系统的总体设计 | 第53-54页 |
| 6.2.2 系统的整体功能结构 | 第54页 |
| 6.2.3 系统的数据库表设计 | 第54-55页 |
| 6.2.4 系统的功能实现 | 第55-62页 |
| 6.3 本章小结 | 第62-63页 |
| 第7章 总结与展望 | 第63-65页 |
| 7.1 本文工作总结 | 第63页 |
| 7.2 下一步工作计划 | 第63-65页 |
| 参考文献 | 第65-68页 |
| 致谢 | 第68-69页 |
