| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.1.1 研究背景 | 第12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 推荐系统简介 | 第13-15页 |
| 1.2.2 研究现状 | 第15-18页 |
| 1.3 本文主要研究内容及贡献 | 第18-19页 |
| 1.4 本文组织结构 | 第19-20页 |
| 第2章 研究基础 | 第20-32页 |
| 2.1 个性化推荐相关理论基础 | 第20-23页 |
| 2.1.1 信息检索与信息过滤 | 第20页 |
| 2.1.2 个性及其基本特征 | 第20-21页 |
| 2.1.3 个性化信息及个性化信息服务 | 第21页 |
| 2.1.4 个性化推荐系统 | 第21-23页 |
| 2.2 推荐算法分类与比较 | 第23-26页 |
| 2.2.1 基于关联规则的推荐 | 第23-24页 |
| 2.2.2 基于内容的推荐 | 第24-25页 |
| 2.2.3 协同过滤推荐 | 第25-26页 |
| 2.2.4 三种推荐技术比较 | 第26页 |
| 2.3 协同过滤推荐算法及其分类 | 第26-31页 |
| 2.3.1 基于邻域的方法 | 第27-28页 |
| 2.3.2 基于模型的方法 | 第28-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 基于标签且融合用户近期与长期兴趣的推荐算法 | 第32-44页 |
| 3.1 用户兴趣时间特性分析 | 第32-33页 |
| 3.1.1 用户角度的时间特性分析 | 第32-33页 |
| 3.1.2 系统角度的时间特性分析 | 第33页 |
| 3.2 基于评分的用户兴趣模型及其推荐算法分析 | 第33-35页 |
| 3.3 基于标签的用户兴趣模型及其改进推荐算法 | 第35-39页 |
| 3.3.1 标签系统描述及其特征 | 第35-36页 |
| 3.3.2 构造基于标签的用户长短期兴趣模型 | 第36-39页 |
| 3.3.3 产生推荐 | 第39页 |
| 3.4 实验与结果分析 | 第39-43页 |
| 3.4.1 实验数据集及评价指标 | 第39-40页 |
| 3.4.2 长短期兴趣权重因子λ的选择 | 第40-41页 |
| 3.4.3 推荐性能对比 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 基于KPCA降维与改进K-means聚类的推荐算法 | 第44-57页 |
| 4.1 核主成分分析降维 | 第44-47页 |
| 4.2 用户相似度计算的改进 | 第47-49页 |
| 4.2.1 传统相似度计算方法及其缺陷 | 第47-49页 |
| 4.2.2 改进的相似度计算 | 第49页 |
| 4.3 改进相似度的K-means用户聚类 | 第49-50页 |
| 4.4 结合KPCA降维和K-means聚类的推荐算法流程 | 第50-52页 |
| 4.5 实验与结果分析 | 第52-55页 |
| 4.5.1 实验数据集及评价指标 | 第52页 |
| 4.5.2 降维主成分数P的选择 | 第52-53页 |
| 4.5.3 聚类类别数K的选择 | 第53-54页 |
| 4.5.4 推荐性能对比 | 第54-55页 |
| 4.6 本章小结 | 第55-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-65页 |
| 附录A 攻读硕士学位期间所发表的学术论文及参与的科研项目 | 第65页 |
