| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第7-10页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 个性化推荐系统的研究现状 | 第11-12页 |
| 1.2.1 个性化推荐系统的概念和定义 | 第11页 |
| 1.2.2 国内外个性化新闻信息推荐系统的研究现状 | 第11-12页 |
| 1.3 本文的研究工作 | 第12-13页 |
| 1.4 论文的组织架构 | 第13-15页 |
| 第二章 个性化推荐系统及其相关技术简介 | 第15-30页 |
| 2.1 信息检索和信息过滤 | 第15-18页 |
| 2.1.1 信息检索技术 | 第16-17页 |
| 2.1.2 信息过滤技术 | 第17-18页 |
| 2.2 数据挖掘技术 | 第18-19页 |
| 2.3 个性化推荐系统的用户建模技术 | 第19-20页 |
| 2.4 个性化推荐系统的物品建模技术 | 第20-21页 |
| 2.5 个性化推荐算法 | 第21-27页 |
| 2.5.1 基于内容的推荐技术 | 第21-22页 |
| 2.5.2 协同过滤推荐技术 | 第22-27页 |
| 2.6 MapReduce编程模型及Hadoop平台简介 | 第27-29页 |
| 2.6.1 MapReduce编程模型 | 第27-28页 |
| 2.6.2 Hadoop平台简介 | 第28-29页 |
| 2.7 本章小结 | 第29-30页 |
| 第三章 基于MinHash和频繁队列的协同过滤算法 | 第30-42页 |
| 3.1 传统的协同过滤算法中待解决的问题 | 第30-31页 |
| 3.1.1 数据稀疏性问题 | 第30-31页 |
| 3.1.2 冷启动问题 | 第31页 |
| 3.1.3 可扩展性问题 | 第31页 |
| 3.1.4 物品扰动及时效性要求 | 第31页 |
| 3.2 基于MinHash和频繁队列的协同过滤算法 | 第31-38页 |
| 3.2.1 基于模型的MinHash聚类算法 | 第32-36页 |
| 3.2.2 基于记忆的频繁队列算法 | 第36-38页 |
| 3.2.3 用户候选推荐列表的获取 | 第38页 |
| 3.3 推荐系统框架设计 | 第38-41页 |
| 3.3.1 off line模块 | 第39页 |
| 3.3.2 online模块 | 第39页 |
| 3.3.3 Data tables模块 | 第39-40页 |
| 3.3.4 个性化推荐系统各模块集成 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 基于主题兴趣预测的信息过滤算法 | 第42-46页 |
| 4.1 新闻领域中个性化推荐所面临的问题 | 第42页 |
| 4.2 基于贝叶斯框架的用户主题兴趣预测 | 第42-45页 |
| 4.2.1 预测用户某一时间段的新闻主题兴趣 | 第43-44页 |
| 4.2.2 预测用户的长期兴趣 | 第44页 |
| 4.2.3 预测用户的当前兴趣偏好 | 第44-45页 |
| 4.3 个性化新闻推荐系统的整体设计 | 第45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 算法测试与评估 | 第46-55页 |
| 5.1 测试方案设计 | 第46页 |
| 5.2 测试数据集 | 第46页 |
| 5.3 测试方法和指标 | 第46-47页 |
| 5.4 测试算法 | 第47页 |
| 5.5 测试环境 | 第47页 |
| 5.6 测试结果及分析 | 第47-54页 |
| 5.7 本章小结 | 第54-55页 |
| 第六章 总结和展望 | 第55-58页 |
| 6.1 论文工作总结 | 第55-56页 |
| 6.1.1 论文意义及相关工作 | 第55页 |
| 6.1.2 创新之处 | 第55-56页 |
| 6.1.3 实验结果 | 第56页 |
| 6.1.4 改进建议 | 第56页 |
| 6.2 技术研究展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 攻读学位期间发表学术论文目录 | 第63页 |
