| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文的研究工作与组织结构 | 第13-16页 |
| 第二章 推荐系统以及协同过滤算法 | 第16-33页 |
| 2.1 推荐系统 | 第16-18页 |
| 2.2 推荐算法的分类 | 第18-25页 |
| 2.2.1 基于协同过滤的推荐算法 | 第18-20页 |
| 2.2.2 基于内容的推荐算法 | 第20-22页 |
| 2.2.3 基于关联规则的推荐算法 | 第22-23页 |
| 2.2.4 基于二部图的推荐算法 | 第23-24页 |
| 2.2.5 混合推荐算法 | 第24-25页 |
| 2.3 基于协同过滤的推荐算法 | 第25-30页 |
| 2.3.1 基于用户的协同过滤推荐算法 | 第25-29页 |
| 2.3.2 基于项目的协同过滤推荐算法 | 第29-30页 |
| 2.4 推荐系统的评价指标 | 第30-33页 |
| 第三章 基于正相关和负相关最近邻居的协同过滤推荐算法 | 第33-48页 |
| 3.1 引言 | 第33-34页 |
| 3.2 PNCF算法 | 第34-40页 |
| 3.2.1 相似度计算 | 第34-36页 |
| 3.2.2 最近邻居选取 | 第36-38页 |
| 3.2.3 预测评分 | 第38-40页 |
| 3.3 数据集及评价标准 | 第40-43页 |
| 3.3.1 数据集 | 第40-41页 |
| 3.3.2 实验环境 | 第41-42页 |
| 3.3.3 评价标准 | 第42-43页 |
| 3.4 实验结果及分析 | 第43-48页 |
| 3.4.1 阈值β取值及实验对比 | 第43-44页 |
| 3.4.2 实验对比及分析 | 第44-48页 |
| 第四章 基于正相关和负相关最近邻居的协同过滤算法改进 | 第48-64页 |
| 4.1 引言 | 第48-49页 |
| 4.2 IPNCF算法 | 第49-58页 |
| 4.2.1 相似度计算 | 第49-54页 |
| 4.2.2 最近邻居选取 | 第54页 |
| 4.2.3 预测评分 | 第54-55页 |
| 4.2.4 算法流程总结 | 第55-58页 |
| 4.3 数据集及评价标准 | 第58页 |
| 4.3.1 数据集与实验环境 | 第58页 |
| 4.3.2 评价标准 | 第58页 |
| 4.4 实验结果及分析 | 第58-64页 |
| 4.4.1 阈值θ以及调节因子ω的取值 | 第59页 |
| 4.4.2 实验对比及分析 | 第59-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 本文总结 | 第64-65页 |
| 5.2 未来展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 附录 | 第70-72页 |
| Appendix | 第72-74页 |
| 致谢 | 第74-75页 |
| 攻读硕士学位期间发表的学术论文 | 第75-76页 |
| 攻读硕士学位期间参加研究的项目 | 第76页 |