| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-15页 |
| ·研究背景 | 第10-11页 |
| ·推荐系统的研究现状 | 第11-12页 |
| ·推荐系统面临的挑战 | 第12-13页 |
| ·本文的主要研究工作 | 第13页 |
| ·论文结构 | 第13-15页 |
| 第2章 电子商务推荐系统综述 | 第15-24页 |
| ·电子商务推荐系统的分类 | 第15-17页 |
| ·电子商务推荐系统的输入/输出方式 | 第17-18页 |
| ·推荐系统的输入方式 | 第17-18页 |
| ·推荐系统的输出方式 | 第18页 |
| ·推荐系统的界面表现形式 | 第18-19页 |
| ·推荐系统的相关技术 | 第19-22页 |
| ·信息检索与信息过滤 | 第19-20页 |
| ·数据挖掘 | 第20-21页 |
| ·协同过滤 | 第21-22页 |
| ·推荐系统实例介绍 | 第22页 |
| ·本章小结 | 第22-24页 |
| 第3章 协同过滤推荐算法 | 第24-36页 |
| ·协同过滤的基本原理以及分类 | 第24-25页 |
| ·协同过滤的基本原理 | 第24页 |
| ·协同过滤的分类 | 第24-25页 |
| ·协同过滤算法 | 第25-30页 |
| ·基于用户的协同过滤推荐算法(User-based) | 第25-28页 |
| ·基于项目的协同过滤推荐算法(Item-based) | 第28-30页 |
| ·协同过滤的优点以及面临的挑战 | 第30-31页 |
| ·协同过滤的优点 | 第30页 |
| ·协同过滤面临的挑战 | 第30-31页 |
| ·协同过滤算法的改进 | 第31-34页 |
| ·混合协同过滤技术 | 第31页 |
| ·基于聚类的协同过滤算法 | 第31-33页 |
| ·基于奇异值分解(LSI)的协同过滤算法 | 第33-34页 |
| ·本章小结 | 第34-36页 |
| 第4章 基于用户信用度的协同过滤算法 | 第36-53页 |
| ·传统相似度度量方法的局限性 | 第36-38页 |
| ·余弦相似性度量方法 | 第36-37页 |
| ·相关相似性度量方法 | 第37页 |
| ·实验验证 | 第37-38页 |
| ·基于PIP的协同过滤算法 | 第38-42页 |
| ·PIP算法介绍 | 第38-40页 |
| ·最近邻查询 | 第40-41页 |
| ·推荐产生 | 第41-42页 |
| ·基于用户信用度的CPIP协同过滤算法 | 第42-50页 |
| ·算法改进的原因 | 第42页 |
| ·改进算法的思想 | 第42-43页 |
| ·算法描述 | 第43-44页 |
| ·推荐过程 | 第44-48页 |
| ·基于用户信用度的CPIP协同过滤的程序流程图 | 第48-50页 |
| ·基于用户信用度的CPIP协同过滤推荐系统的构建 | 第50-51页 |
| ·模型构建的原则 | 第50页 |
| ·推荐系统模型的工作流程 | 第50-51页 |
| ·本章小结 | 第51-53页 |
| 第5章 改进算法的仿真与测试 | 第53-62页 |
| ·数据集 | 第53页 |
| ·实验设计 | 第53-55页 |
| ·度量标准 | 第53-54页 |
| ·实验数据集 | 第54-55页 |
| ·实验环境 | 第55页 |
| ·算法及测试的编程实现 | 第55-58页 |
| ·编程实现 | 第55页 |
| ·实验测试方案流程 | 第55-56页 |
| ·参数确定 | 第56-58页 |
| ·实验结果 | 第58-60页 |
| ·验证 | 第60-61页 |
| ·本章小结 | 第61-62页 |
| 第6章 结论与展望 | 第62-64页 |
| ·本文工作 | 第62页 |
| ·进一步的研究工作 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 附录 | 第69-71页 |