| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.1.1 信息过载产生原因 | 第12-13页 |
| 1.1.2 信息过载传统解决方法 | 第13页 |
| 1.1.3 推荐系统 | 第13-14页 |
| 1.2 推荐系统的研究现状 | 第14-16页 |
| 1.3 本文的研究内容 | 第16页 |
| 1.4 本文的组织架构 | 第16-18页 |
| 2 研究理论基础 | 第18-30页 |
| 2.1 相关技术 | 第18-20页 |
| 2.1.1 信息检索 | 第18页 |
| 2.1.2 信息过滤 | 第18-19页 |
| 2.1.3 数据挖掘 | 第19-20页 |
| 2.2 推荐算法概述 | 第20-28页 |
| 2.2.1 基于内容的推荐算法 | 第21-22页 |
| 2.2.2 基于协同过滤的推荐算法 | 第22-25页 |
| 2.2.3 基于关联规则的推荐 | 第25页 |
| 2.2.4 基于聚类的推荐 | 第25页 |
| 2.2.5 基于知识的推荐 | 第25-26页 |
| 2.2.6 基于上下文感知的推荐 | 第26页 |
| 2.2.7 社交网络推荐 | 第26-27页 |
| 2.2.8 混合推荐算法 | 第27-28页 |
| 2.3 相关理论 | 第28-30页 |
| 2.3.1 长尾理论 | 第28页 |
| 2.3.2 马太效应 | 第28-30页 |
| 3 基于项目相似度改进的协同过滤TopN推荐算法 | 第30-37页 |
| 3.1 用户行为数据 | 第30-31页 |
| 3.1.1 用户行为数据简介 | 第30页 |
| 3.1.2 用户行为数据分类 | 第30-31页 |
| 3.1.3 数据集分类 | 第31页 |
| 3.2 基于项目的协同过滤算法主要步骤 | 第31-34页 |
| 3.2.1 建立用户-项目反馈信息矩阵R(m,n) | 第31-32页 |
| 3.2.2 项目相似度计算 | 第32-33页 |
| 3.2.3 推荐列表生成 | 第33-34页 |
| 3.3 基于项目相似度改进的协同过滤TopN推荐算法 | 第34-37页 |
| 3.3.1 项目相似度计算公式改进 | 第34页 |
| 3.3.2 项目相似度的归一化 | 第34-35页 |
| 3.3.3 TopN推荐 | 第35-37页 |
| 4 实验设计与算法评测 | 第37-48页 |
| 4.1 推荐系统实验方法 | 第37-40页 |
| 4.1.1 离线实验 | 第38页 |
| 4.1.2 用户调查 | 第38-39页 |
| 4.1.3 在线实验 | 第39-40页 |
| 4.2 评测指标 | 第40-44页 |
| 4.2.1 用户满意度 | 第40-41页 |
| 4.2.2 准确度评价 | 第41-42页 |
| 4.2.3 覆盖率 | 第42-43页 |
| 4.2.4 新颖度 | 第43-44页 |
| 4.3 实验设计与结果分析 | 第44-48页 |
| 4.3.1 数据集选用 | 第44页 |
| 4.3.2 本文实验设计 | 第44页 |
| 4.3.3 实验结果与分析 | 第44-48页 |
| 5 总结与展望 | 第48-50页 |
| 5.1 总结 | 第48页 |
| 5.2 展望 | 第48-50页 |
| 参考文献 | 第50-53页 |
| 致谢 | 第53-54页 |
| 作者简介及读研期间主要科研成果 | 第54页 |