| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 引言 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 国外研究水平和现状 | 第12-14页 |
| 1.2.2 国内研究水平和现状 | 第14-15页 |
| 1.3 主要工作及研究内容 | 第15页 |
| 1.4 文章的组织结构 | 第15-17页 |
| 第2章 个性化推荐系统的研究 | 第17-24页 |
| 2.1 个性化推荐系统简介 | 第17-18页 |
| 2.2 个性化推荐系统的分类 | 第18-19页 |
| 2.2.1 根据数据输入 | 第18-19页 |
| 2.2.2 根据推荐建模方式 | 第19页 |
| 2.3 个性化推荐技术简介 | 第19-22页 |
| 2.3.1 基于人口统计学的推荐 | 第19-20页 |
| 2.3.2 根据用户的推荐 | 第20-21页 |
| 2.3.3 基于内容的推荐 | 第21-22页 |
| 2.4 个性化推荐技术的比较 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 协同过滤技术的研究 | 第24-41页 |
| 3.1 协同过滤技术综述 | 第24-27页 |
| 3.1.1 基于用户(User-based)的协同过滤推荐 | 第24-25页 |
| 3.1.2 基于模型(Model-based)的协同过滤推荐 | 第25页 |
| 3.1.3 基于项目(Item-based)的协同过滤推荐 | 第25-27页 |
| 3.2 User-based协同过滤算法概述 | 第27-32页 |
| 3.2.1 相似性计算方法 | 第29-30页 |
| 3.2.2 选取最近邻 | 第30-31页 |
| 3.2.3 产生推荐或者预测评分 | 第31-32页 |
| 3.3 Item-based协同过滤算法概述 | 第32页 |
| 3.4 传统协同过滤算法的实验分析 | 第32-40页 |
| 3.4.1 实验数据集概述及评测指标 | 第32-34页 |
| 3.4.2 实验步骤及数据分析 | 第34-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 基于混合的协同过滤改进算法 | 第41-53页 |
| 4.1 传统协同过滤算法存在的问题 | 第41-42页 |
| 4.2 相关协同过滤算法研究 | 第42-45页 |
| 4.2.1 相关推荐技术的研究与分析 | 第42-44页 |
| 4.2.2 混合推荐技术的研究热点 | 第44-45页 |
| 4.3 基于混合的协同过滤改进算法 | 第45-50页 |
| 4.3.1 基本思想 | 第45页 |
| 4.3.2 改进算法概述 | 第45-48页 |
| 4.3.3 实验步骤及数据分析 | 第48-50页 |
| 4.4 与传统算法的对比 | 第50-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 基于逐步遗忘的协同过滤改进算法 | 第53-63页 |
| 5.1 协同过滤算法的动态研究 | 第53-55页 |
| 5.1.1 遗忘曲线(Forgetting curve) | 第53-54页 |
| 5.1.2 用户兴趣时效性变化 | 第54-55页 |
| 5.2 基于逐步遗忘的算法改进 | 第55-60页 |
| 5.2.1 基本思想 | 第55-56页 |
| 5.2.2 改进算法概述 | 第56-59页 |
| 5.2.3 实验步骤及数据分析 | 第59-60页 |
| 5.3 与传统算法的对比 | 第60-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 6.1 全文总结 | 第63页 |
| 6.2 展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-69页 |
