基于用户兴趣的个性化信息推荐系统
| 1 绪论 | 第1-17页 |
| ·研究动态 | 第12-15页 |
| ·推荐系统研究现状 | 第12-14页 |
| ·推荐系统实例简介 | 第14-15页 |
| ·发展趋势 | 第15页 |
| ·本文研究内容 | 第15-16页 |
| ·论文结构 | 第16-17页 |
| 2 信息推荐系统关键技术的介绍 | 第17-29页 |
| ·信息检索 | 第17页 |
| ·信息过滤 | 第17-20页 |
| ·基于内容的过滤技术 | 第18-20页 |
| ·协同过滤技术概况 | 第20页 |
| ·用户数据的收集 | 第20-22页 |
| ·Users-based协同过滤推荐算法 | 第22-24页 |
| ·数据表示 | 第22页 |
| ·最近邻查询 | 第22-24页 |
| ·推荐产生 | 第24页 |
| ·Item-based协同过滤推荐算法 | 第24-26页 |
| ·最近邻查询 | 第24-26页 |
| ·推荐产生 | 第26页 |
| ·基于降维的协同过滤推荐算法 | 第26-29页 |
| 3 基于项目特征评价的协同过滤算法 | 第29-44页 |
| ·协同过滤的推荐算法的缺陷 | 第29-30页 |
| ·基于项目特征评价的协同过滤算法 | 第30-34页 |
| ·用户profile | 第30-32页 |
| ·用户相似度 | 第32-33页 |
| ·用户的聚类 | 第33-34页 |
| ·推荐产生 | 第34页 |
| ·算法分析 | 第34-37页 |
| ·算法步骤 | 第34-36页 |
| ·算法性能分析 | 第36-37页 |
| ·实验分析 | 第37-43页 |
| ·实验数据集 | 第37页 |
| ·评价指标 | 第37-39页 |
| ·实验条件和实验结果分析 | 第39-43页 |
| ·小结 | 第43-44页 |
| 4 基于蚁群算法的混合推荐 | 第44-58页 |
| ·蚁群算法的原理 | 第44-45页 |
| ·用户评价 | 第45-48页 |
| ·隐式评价 | 第45-46页 |
| ·用户评分计算 | 第46-47页 |
| ·向量空间模型 | 第47页 |
| ·计算近邻 | 第47-48页 |
| ·用户兴趣网络 | 第48-50页 |
| ·用户访问序列的网络表示 | 第48-49页 |
| ·路径的权重 | 第49页 |
| ·兴趣网络的训练 | 第49-50页 |
| ·推荐产生 | 第50-51页 |
| ·算法及其分析 | 第51-54页 |
| ·算法步骤 | 第51-53页 |
| ·算法性能分析 | 第53-54页 |
| ·实验分析 | 第54-57页 |
| ·实验数据集 | 第54页 |
| ·实验方案 | 第54页 |
| ·实验条件与结果分析 | 第54-57页 |
| ·小结 | 第57-58页 |
| 5 系统结构和实现 | 第58-71页 |
| ·网页获取 | 第58-60页 |
| ·模块分析 | 第58-59页 |
| ·典型代码 | 第59-60页 |
| ·网页处理模块 | 第60-63页 |
| ·HTML页面规范化 | 第60-61页 |
| ·HTML控制符号处理 | 第61页 |
| ·分词处理 | 第61-62页 |
| ·网页信息的提取流程(html) | 第62-63页 |
| ·用户行为捕获模块 | 第63-66页 |
| ·模块介绍 | 第63-65页 |
| ·典型代码 | 第65-66页 |
| ·推荐分析模块 | 第66-70页 |
| ·用户界面 | 第70-71页 |
| 6 结论 | 第71-73页 |
| 7 参考文献 | 第73-76页 |
| 8 科研成果 | 第76-77页 |
| 9 申明 | 第77-78页 |
| 10 致谢 | 第78页 |
