| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 研究意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-14页 |
| 1.4 本文的主要研究工作 | 第14-15页 |
| 1.5 论文的组织结构 | 第15-17页 |
| 第二章 传统协同过滤推荐算法分析 | 第17-29页 |
| 2.1 基本概念 | 第17-19页 |
| 2.2 用户偏好建模 | 第19-20页 |
| 2.3 相似性度量 | 第20-22页 |
| 2.3.1 余弦相似性 | 第20-21页 |
| 2.3.2 Pearson相关系数 | 第21页 |
| 2.3.3 Jaccard系数 | 第21-22页 |
| 2.4 评分预测 | 第22页 |
| 2.5 协同过滤推荐系统评价方法 | 第22-27页 |
| 2.5.1 评分预测准确度 | 第22-24页 |
| 2.5.2 分类准确度 | 第24-25页 |
| 2.5.3 排序准确度 | 第25-26页 |
| 2.5.4 覆盖率 | 第26-27页 |
| 2.5.5 多样性和新颖性 | 第27页 |
| 2.6 传统协同过滤问题分析 | 第27-29页 |
| 第三章 一种融合用户上下文信息和评分倾向度的协同过滤算法 | 第29-39页 |
| 3.1 基于用户上下文信息的相似度 | 第29-32页 |
| 3.2 基于用户评分倾向度的相似度 | 第32-35页 |
| 3.3 选择最近邻居集 | 第35-36页 |
| 3.4 动态评分预测方法 | 第36-37页 |
| 3.5 CPCF推荐算法描述 | 第37-39页 |
| 第四章 实验及结果分析 | 第39-51页 |
| 4.1 数据集及实验环境 | 第39页 |
| 4.2 评价指标 | 第39-40页 |
| 4.3 实验结果及分析 | 第40-51页 |
| 4.3.1 基于用户上下文信息的相似性计算方法的有效性 | 第40-42页 |
| 4.3.2 用户评分倾向度的有效性 | 第42-44页 |
| 4.3.3 动态选择基于用户和基于项目的评分预测的有效性 | 第44-48页 |
| 4.3.4 CPCF算法的有效性 | 第48-51页 |
| 第五章 总结与展望 | 第51-54页 |
| 5.1 研究总结 | 第51-52页 |
| 5.2 未来研究展望 | 第52-54页 |
| 参考文献 | 第54-59页 |
| 发表论文和参加科研情况说明 | 第59-60页 |
| 致谢 | 第60-61页 |
