| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第7-12页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.1.1 研究背景 | 第7-8页 |
| 1.1.2 研究意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.3 本文的主要内容和结构 | 第10-12页 |
| 1.3.1 本文的主要内容 | 第10页 |
| 1.3.2 本文的结构 | 第10-12页 |
| 2 个性化推荐算法研究 | 第12-19页 |
| 2.1 个性化推荐概述 | 第12-13页 |
| 2.2 其他主要推荐算法 | 第13-14页 |
| 2.2.1 基于内容推荐算法 | 第13页 |
| 2.2.2 基于知识推荐算法 | 第13页 |
| 2.2.3 基于关联规则推荐算法 | 第13-14页 |
| 2.3 协同过滤推荐算法 | 第14-18页 |
| 2.3.1 基于用户的协同过滤算法 | 第15-17页 |
| 2.3.2 基于项目的协同过滤算法 | 第17-18页 |
| 2.3.3 基于模型的协同过滤算法 | 第18页 |
| 2.4 推荐算法的优劣比较 | 第18-19页 |
| 3 基于协同过滤算法个性化推荐面临的问题 | 第19-22页 |
| 3.1 数据稀疏性问题 | 第19页 |
| 3.2 冷启动问题及改进方法 | 第19-22页 |
| 3.2.1 冷启动问题的形成 | 第19-20页 |
| 3.2.2 冷启动问题解决方法 | 第20-22页 |
| 4 基于协同过滤算法的改进研究 | 第22-30页 |
| 4.1 稀疏性问题的改进方法 | 第22-24页 |
| 4.1.1 线性时间奇异值分解 | 第22页 |
| 4.1.2 奇异值分解(SVD) | 第22-24页 |
| 4.2 引入惩罚因子的改进算法方法与过程 | 第24-25页 |
| 4.2.1 项目热计算 | 第24页 |
| 4.2.2 综合项目属性和项目热度,改进项目相似性计算 | 第24-25页 |
| 4.3 改进算法——PAS | 第25-27页 |
| 4.4 从时间维度上改进推荐算法方法与过程 | 第27-30页 |
| 4.4.1 对用户兴趣的时间加权 | 第28页 |
| 4.4.2 时间加权的物品受欢迎程度 | 第28页 |
| 4.4.3 动态时间变化中协同过滤算法的描述 | 第28-30页 |
| 5 基于改进算法的实验验证 | 第30-36页 |
| 5.1 实验数据和设备 | 第30页 |
| 5.1.1 实验数据 | 第30页 |
| 5.1.2 实验环境 | 第30页 |
| 5.2 评估标准 | 第30-32页 |
| 5.3 实验设计及结果分析 | 第32-36页 |
| 5.3.1 推荐准确度的比较 | 第32-36页 |
| 6 总结与未来展望 | 第36-38页 |
| 6.1 总结 | 第36页 |
| 6.2 未来展望 | 第36-38页 |
| 参考文献 | 第38-41页 |
| 致谢 | 第41-42页 |
| 攻读硕士学位期间发表的学术论文 | 第42页 |