| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景与意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 论文主要研究内容与章节安排 | 第12-14页 |
| 1.3.1 论文的主要研究内容 | 第12-13页 |
| 1.3.2 论文的章节安排 | 第13-14页 |
| 第2章 推荐技术的研究与分析 | 第14-22页 |
| 2.1 个性化信息推荐系统的简介 | 第14页 |
| 2.2 推荐算法分析 | 第14-19页 |
| 2.2.1 基于人口统计学的推荐算法 | 第14-15页 |
| 2.2.2 基于内容的推荐算法 | 第15-16页 |
| 2.2.3 协同过滤推荐算法 | 第16-18页 |
| 2.2.4 混合推荐算法 | 第18-19页 |
| 2.3 Slop One推荐算法 | 第19-21页 |
| 2.3.1 Slop One算法分析 | 第19-20页 |
| 2.3.2 加权Slop One算法分析 | 第20-21页 |
| 2.3.3 Slop One算法的优点与不足 | 第21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 融合用户因素的Slop One算法 | 第22-30页 |
| 3.1 引言 | 第22页 |
| 3.2 相似度测量方法的研究与分析 | 第22-26页 |
| 3.2.1 皮尔森相关系数分析 | 第22-23页 |
| 3.2.2 欧几里德距离相似度分析 | 第23-24页 |
| 3.2.3 余弦相似度 | 第24-25页 |
| 3.2.4 改进的余弦相似度分析 | 第25-26页 |
| 3.2.5 斯皮尔曼等级相关分析 | 第26页 |
| 3.3 融合用户因素的Slop One算法 | 第26-29页 |
| 3.3.1 融合用户因素的Slop One算法分析 | 第26-27页 |
| 3.3.2 融合用户因素的Slop One算法的实现过程 | 第27-29页 |
| 3.4 融合用户因素的Slop One算法的复杂性分析 | 第29页 |
| 3.5 本章小结 | 第29-30页 |
| 第4章 实验与实验结果分析 | 第30-36页 |
| 4.1 实验数据集 | 第30-31页 |
| 4.2 实验度量标准 | 第31页 |
| 4.3 实验环境 | 第31页 |
| 4.4 实验目的 | 第31-32页 |
| 4.5 实验结果及分析 | 第32-35页 |
| 4.6 本章小结 | 第35-36页 |
| 第5章 电影推荐模型的实现 | 第36-43页 |
| 5.1 引言 | 第36页 |
| 5.2 电影推荐模型的系统设计 | 第36-39页 |
| 5.2.1 系统的主要功能 | 第36-38页 |
| 5.2.2 系统的总体框架 | 第38-39页 |
| 5.3 电影推荐模型的运行环境及其配置 | 第39页 |
| 5.4 数据库表设计 | 第39-40页 |
| 5.5 实现界面 | 第40-42页 |
| 5.6 本章小结 | 第42-43页 |
| 第6章 结论与展望 | 第43-45页 |
| 6.1 论文总结 | 第43页 |
| 6.2 论文展望 | 第43-45页 |
| 参考文献 | 第45-48页 |
| 致谢 | 第48页 |
