| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景、意义 | 第10-11页 |
| 1.2 国内外的研究现状 | 第11-13页 |
| 1.2.1 国外的研究现状 | 第11-12页 |
| 1.2.2 国内的研究现状 | 第12-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 本文组织结构 | 第14-15页 |
| 第二章 关键技术的介绍 | 第15-29页 |
| 2.1 数据挖掘和聚类算法的概念 | 第15-18页 |
| 2.1.1 数据挖掘 | 第15页 |
| 2.1.2 聚类算法 | 第15-18页 |
| 2.2 推荐系统的概述 | 第18-19页 |
| 2.2.1 个性化推荐系统的概念 | 第18-19页 |
| 2.2.2 个性化推荐系统的构成 | 第19页 |
| 2.3 推荐算法综述 | 第19-21页 |
| 2.3.1 基于内容的推荐算法 | 第20页 |
| 2.3.2 基于关联规则的推荐算法 | 第20页 |
| 2.3.3 基于协同过滤推荐算法 | 第20-21页 |
| 2.3.4 组合推荐技术 | 第21页 |
| 2.4 传统的协同过滤推荐算法 | 第21-27页 |
| 2.4.1 协同过滤算法的基本思想及分类 | 第22-23页 |
| 2.4.2 基于内存的协同过滤算法 | 第23-27页 |
| 2.5 协同过滤算法的优缺点分析 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 信息熵的相似性度量的方法 | 第29-40页 |
| 3.1 当前的问题 | 第29-30页 |
| 3.2 现有解决方案 | 第30-31页 |
| 3.3 基于信息熵的相似性度量方法 | 第31-34页 |
| 3.3.1 信息熵 | 第31页 |
| 3.3.2 基于评分差异加权信息熵相似度算法提出的动机 | 第31-32页 |
| 3.3.3 基于加权信息熵相似度计算的设计 | 第32-34页 |
| 3.4 实验结果及分析 | 第34-39页 |
| 3.4.1 实验数据 | 第34-35页 |
| 3.4.2 实验效果评测指标 | 第35-36页 |
| 3.4.3 实验结果与分析 | 第36-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 基于SVD的二分k-means的聚类协同过滤 | 第40-49页 |
| 4.1 引言 | 第40页 |
| 4.2 基于SVD的二分k-means协同过滤算法 | 第40-45页 |
| 4.2.1 SVD算法与二分k-means算法 | 第40-43页 |
| 4.2.2 算法的设计与实现 | 第43-45页 |
| 4.3 实验结果及分析 | 第45-47页 |
| 4.3.1 实验数据 | 第45页 |
| 4.3.2 实验结果及分析 | 第45-47页 |
| 4.4 本章小结 | 第47-49页 |
| 第五章 基于移动终端个性化推荐系统的实现 | 第49-62页 |
| 5.1 引言 | 第49页 |
| 5.2 系统总体框架 | 第49-50页 |
| 5.3 推送系统客户端与服务端的实现 | 第50-57页 |
| 5.3.1 跨平台推送客户端的实现 | 第50-54页 |
| 5.3.2 跨平台推送服务器端的实现 | 第54-55页 |
| 5.3.3 Web Service服务架构的设计 | 第55-57页 |
| 5.4 终端平台的数据存储和界面设计展现 | 第57-61页 |
| 5.4.1 数据存储及实时计算 | 第57页 |
| 5.4.2 页面设计展现 | 第57-61页 |
| 5.5 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 全文总结 | 第62-63页 |
| 6.2 未来工作展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 攻读学位期间的研究成果 | 第69页 |
