| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题的研究背景与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 推荐系统和推荐算法的研究现状 | 第12-13页 |
| 1.2.2 智能优化算法的研究现状 | 第13-14页 |
| 1.3 本文研究内容 | 第14-15页 |
| 1.4 本文组织结构 | 第15-16页 |
| 第2章 推荐算法相关理论 | 第16-33页 |
| 2.1 几种常用的推荐算法 | 第16-23页 |
| 2.1.1 协同过滤推荐算法 | 第16-20页 |
| 2.1.2 基于内容的推荐算法 | 第20-21页 |
| 2.1.3 基于关联规则的推荐算法 | 第21-22页 |
| 2.1.4 混合推荐算法 | 第22-23页 |
| 2.2 推荐算法的评测指标 | 第23-24页 |
| 2.2.1 用户满意度 | 第23页 |
| 2.2.2 预测准确度 | 第23-24页 |
| 2.3 相似性计算方法 | 第24-25页 |
| 2.3.1 余弦相似度计算 | 第24-25页 |
| 2.3.2 修正的余弦相似度计算 | 第25页 |
| 2.3.3 Pearson相关系数法 | 第25页 |
| 2.4 几种智能优化算法的介绍 | 第25-32页 |
| 2.4.1 遗传算法 | 第25-27页 |
| 2.4.2 人工蜂群算法 | 第27-29页 |
| 2.4.3 标准粒子群算法 | 第29-30页 |
| 2.4.4 混合蛙跳算法 | 第30-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 基于时间因子的混合推荐模型 | 第33-49页 |
| 3.1 混合推荐模型提出的依据 | 第33-36页 |
| 3.1.1 推荐系统面临的主要挑战 | 第33-35页 |
| 3.1.2 混合推荐模型提出的依据 | 第35-36页 |
| 3.2 混合推荐模型建立前的改进工作 | 第36-38页 |
| 3.2.1 相似度计算方法的改进 | 第36页 |
| 3.2.2 引入时间因子 | 第36-38页 |
| 3.3 基于时间因子的混合模型建立 | 第38-40页 |
| 3.4 基于时间因子的混合推荐模型优化 | 第40-42页 |
| 3.4.1 选择离散粒子群算法的依据 | 第40页 |
| 3.4.2 带有惯性权重的改进离散粒子群算法 | 第40-41页 |
| 3.4.3 基于W-DPSO的用户特征提取 | 第41-42页 |
| 3.5 实验环境和数据集 | 第42-43页 |
| 3.6 仿真实验及结果分析 | 第43-48页 |
| 3.6.1 改进的相似度计算方法的仿真测试 | 第43-45页 |
| 3.6.2 时间因子的仿真测试 | 第45-46页 |
| 3.6.3 用户特征选取的测试 | 第46-48页 |
| 3.7 本章小结 | 第48-49页 |
| 第4章 基于柯西分布量子粒子群的混合推荐算法 | 第49-60页 |
| 4.1 基于柯西分布量子粒子群的混合推荐算法实现 | 第49-54页 |
| 4.1.1 算法的提出 | 第49页 |
| 4.1.2 量子粒子群算法 | 第49-51页 |
| 4.1.3 基于柯西分布的量子粒子群算法 | 第51-52页 |
| 4.1.4 基于柯西分布量子粒子群混合推荐算法流程 | 第52-54页 |
| 4.2 仿真实验及分析 | 第54-59页 |
| 4.2.1 CQPSO-HR算法性能测试 | 第54-55页 |
| 4.2.2 抗稀疏度能力仿真测试 | 第55-58页 |
| 4.2.3 抗冷启动能力的测试 | 第58-59页 |
| 4.3 本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 攻读硕士期间发表的论文和取得的科研成果 | 第67-68页 |
| 致谢 | 第68页 |