| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 选题背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 研究内容与思路 | 第11-13页 |
| 1.3.1 研究内容 | 第11-12页 |
| 1.3.2 研究思路 | 第12-13页 |
| 1.4 论文结构安排 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 第二章 个性化推荐:System and Technology | 第15-29页 |
| 2.1 个性化推荐系统 | 第15-16页 |
| 2.2 个性化推荐技术 | 第16-20页 |
| 2.2.1 以内容为基础的推荐 | 第17-19页 |
| 2.2.2 基于规则的推荐 | 第19-20页 |
| 2.3 协同过滤推荐 | 第20-27页 |
| 2.3.1 基于用户的协同过滤算法 | 第22-24页 |
| 2.3.2 基于项目的协同过滤算法 | 第24-25页 |
| 2.3.3 基于模型的协同过滤算法 | 第25-26页 |
| 2.3.4 协同过滤推荐算法的优点和缺点 | 第26-27页 |
| 2.4 组合推荐 | 第27页 |
| 2.5 本章小结 | 第27-29页 |
| 第三章 融合差异度和时间函数的协同过滤推荐算法 | 第29-41页 |
| 3.1 数据稀疏问题 | 第29-30页 |
| 3.2 相关工作分析 | 第30-31页 |
| 3.3 融合差异度和时间函数的协同过滤推荐算法 | 第31-34页 |
| 3.4 实验及实验结果分析 | 第34-40页 |
| 3.4.1 常见数据集 | 第34-35页 |
| 3.4.2 实验的评测指标 | 第35-36页 |
| 3.4.3 实验方案 | 第36-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 融合FCM算法和用户簇偏好信息的协同过滤算法 | 第41-53页 |
| 4.1 模糊聚类简介 | 第41-42页 |
| 4.2 模糊C-均值聚类(FCM)算法研究 | 第42-43页 |
| 4.2.1 硬C-均值聚类算法 | 第42-43页 |
| 4.2.2 模糊C均值算法 | 第43页 |
| 4.3 融合FCM的协同过滤推荐算法 | 第43-46页 |
| 4.3.1 硬C-均值聚类模型 | 第44页 |
| 4.3.2 FCM模型: | 第44-45页 |
| 4.3.3 FCM算法的优点 | 第45-46页 |
| 4.4 结合用户簇偏好信息的协同过滤推荐算法 | 第46-47页 |
| 4.4.1 用户簇偏好 | 第46页 |
| 4.4.2 确定备择邻居 | 第46-47页 |
| 4.5 融合FCM算法和用户簇偏好的基于项目的协同过滤推荐算法 | 第47页 |
| 4.6 实验结果及结果分析 | 第47-52页 |
| 4.6.1 查询效率 | 第48-49页 |
| 4.6.2 不同用户簇个数的对比 | 第49-50页 |
| 4.6.3 不同最近邻居寻找个数的的对比 | 第50-52页 |
| 4.7 本章小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-61页 |
| 攻读学位期间发表的学术论文目录 | 第61页 |
