| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 课题背景 | 第13-14页 |
| 1.2 常用推荐技术 | 第14-15页 |
| 1.2.1 基于内容的推荐 | 第14页 |
| 1.2.2 协同过滤的推荐 | 第14-15页 |
| 1.2.3 混合推荐 | 第15页 |
| 1.3 论文的贡献及章节安排 | 第15-19页 |
| 1.3.1 论文的贡献 | 第15-16页 |
| 1.3.2 论文章节安排 | 第16-19页 |
| 第二章 相关技术介绍 | 第19-25页 |
| 2.1 相似度算法 | 第19-22页 |
| 2.2 矩阵分解模型 | 第22页 |
| 2.3 信息熵 | 第22-23页 |
| 2.4 数据集 | 第23-24页 |
| 2.5 评价指标 | 第24-25页 |
| 第三章 基于PSJ相似度算法的协同过滤推荐方法 | 第25-45页 |
| 3.1 PSJ相似度算法的设计思想 | 第25-26页 |
| 3.2 PSJ相似度算法的形成 | 第26-27页 |
| 3.3 关于PSJ方法的讨论 | 第27-29页 |
| 3.4 基于PSJ相似度算法的协同过滤推荐方法 | 第29-30页 |
| 3.5 实验 | 第30-43页 |
| 3.5.1 推荐物品数变化 | 第30-37页 |
| 3.5.2 邻居数变化 | 第37-43页 |
| 3.6 小结 | 第43-45页 |
| 第四章 基于PSJ相似度算法的矩阵分解协同过滤推荐方法 | 第45-59页 |
| 4.1 冷启动问题 | 第45-47页 |
| 4.2 基于PSJ相似度算法的矩阵分解协同过滤推荐方法 | 第47-51页 |
| 4.3 实验 | 第51-57页 |
| 4.3.1 推荐物品数变化 | 第51-54页 |
| 4.3.2 邻近用户数变化 | 第54-57页 |
| 4.4 小结 | 第57-59页 |
| 第五章 新推荐算法在好友推荐中的应用 | 第59-69页 |
| 5.1 推荐系统整体设计 | 第61-65页 |
| 5.1.1 推荐系统的模块设计 | 第62-64页 |
| 5.1.2 推荐系统中数据流 | 第64-65页 |
| 5.2 好友推荐中的应用 | 第65-67页 |
| 5.2.1 新用户的好友推荐 | 第65-66页 |
| 5.2.2 普通用户的好友推荐 | 第66-67页 |
| 5.2.3 活跃用户的推荐 | 第67页 |
| 5.3 小结 | 第67-69页 |
| 第六章 总结和展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 研究成果及发表的学术论文 | 第77-79页 |
| 作者和导师简介 | 第79-80页 |
| 北京化工大学硕士研究生学位论文答辩委员会决议书 | 第80-81页 |