| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 主要研究内容和结构安排 | 第13-15页 |
| 1.3.1 主要研究内容 | 第13-14页 |
| 1.3.2 组织结构 | 第14-15页 |
| 第2章 个性化推荐系统及其算法介绍 | 第15-27页 |
| 2.1 个性化推荐系统介绍 | 第15-19页 |
| 2.1.1 个性化推荐系统的定义 | 第15页 |
| 2.1.2 个性化推荐系统的发展过程 | 第15-17页 |
| 2.1.3 个性化推荐系统的主要研究内容 | 第17-18页 |
| 2.1.4 个性化推荐系统的作用 | 第18-19页 |
| 2.2 个性化推荐技术的分类及优缺点 | 第19-26页 |
| 2.2.1 基于人.统计的推荐 | 第19-20页 |
| 2.2.2 基于内容的推荐 | 第20-21页 |
| 2.2.3 基于关联规则的推荐 | 第21页 |
| 2.2.4 基于协同过滤的推荐 | 第21-23页 |
| 2.2.5 基于效用的推荐 | 第23页 |
| 2.2.6 基于知识的推荐 | 第23页 |
| 2.2.7 混合推荐 | 第23-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 协同过滤推荐技术及算法 | 第27-37页 |
| 3.1 基于用户的协同过滤技术 | 第27-32页 |
| 3.1.1 基于用户的协同过滤技术实现原理 | 第27-28页 |
| 3.1.2 基于用户协同过滤技术的具体实现步骤与算法 | 第28-32页 |
| 3.2 基于项目的协同过滤技术 | 第32-34页 |
| 3.2.1 基于项目的协同过滤技术实现原理 | 第32-33页 |
| 3.2.2 基于项目协同过滤技术的具体实现步骤与算法 | 第33-34页 |
| 3.3 协同过滤推荐技术面临的问题和挑战 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 基于用户兴趣变化的协同过滤推荐算法 | 第37-44页 |
| 4.1 用户兴趣变化问题 | 第37-39页 |
| 4.1.1 网络用户兴趣变化实例 | 第37-38页 |
| 4.1.2 解决用户兴趣随时间变化的思路 | 第38-39页 |
| 4.2 人类记忆遗忘规律 | 第39-40页 |
| 4.3 基于遗忘规律的协同过滤算法 | 第40-43页 |
| 4.3.1 线性遗忘函数 | 第40-41页 |
| 4.3.2 基于线性遗忘函数的协同过滤算法 | 第41-42页 |
| 4.3.3 非线性遗忘函数 | 第42页 |
| 4.3.4 基于非线性遗忘函数的协同过滤算法 | 第42-43页 |
| 4.3.5 两种基于遗忘函数协同过滤算法的对比 | 第43页 |
| 4.4 本章小结 | 第43-44页 |
| 第5章 实验设计与分析 | 第44-51页 |
| 5.1 实验设计 | 第44-46页 |
| 5.1.1 实验数据的来源 | 第44-45页 |
| 5.1.2 实验数据的提取 | 第45页 |
| 5.1.3 实验的实施环境 | 第45页 |
| 5.1.4 算法的评价标准 | 第45-46页 |
| 5.2 实验内容 | 第46页 |
| 5.3 实验结果与分析 | 第46-50页 |
| 5.3.1 基于线性遗忘函数的改进算法与传统的推荐算法的比较 | 第46-48页 |
| 5.3.2 基于非线性遗忘函数的改进算法与传统的推荐算法的比较 | 第48-49页 |
| 5.3.3 两种改进的推荐算法的比较 | 第49-50页 |
| 5.4 实验结论 | 第50页 |
| 5.5 本章小结 | 第50-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第55-56页 |
| 致谢 | 第56-57页 |
| 作者简介 | 第57页 |
