| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题的背景与提出 | 第9-10页 |
| 1.2 推荐系统发展及应用 | 第10-12页 |
| 1.3 研究目标与意义 | 第12-13页 |
| 1.3.1 理论意义 | 第12页 |
| 1.3.2 实践意义 | 第12-13页 |
| 1.4 研究内容 | 第13页 |
| 1.5 论文组织结构 | 第13-15页 |
| 第二章 推荐系统及相关技术 | 第15-24页 |
| 2.1 个性化推荐系统的概念 | 第15页 |
| 2.2 推荐算法和分类 | 第15-21页 |
| 2.2.1 基于内容的推荐 | 第16-17页 |
| 2.2.2 协同过滤算法 | 第17-19页 |
| 2.2.3 基于人口统计的推荐 | 第19-20页 |
| 2.2.4 基于知识的推荐 | 第20页 |
| 2.2.5 组合推荐算法 | 第20-21页 |
| 2.2.6 其他推荐算法简介 | 第21页 |
| 2.3 协同过滤算法存在的问题 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 Slope One算法和聚类分析 | 第24-33页 |
| 3.1 常见稀疏性问题解决方案 | 第24-26页 |
| 3.2 SlopeOne算法模型简介 | 第26-28页 |
| 3.2.1 加权SlopeOne算法 | 第27页 |
| 3.2.2 双极SlopeOne算法 | 第27-28页 |
| 3.3 SlopeOne算法的优点 | 第28-29页 |
| 3.4 聚类算法及原理 | 第29-30页 |
| 3.4.1 聚类算法的分类 | 第29-30页 |
| 3.5 蚁群聚类算法 | 第30-32页 |
| 3.5.1 蚁群算法概述 | 第30-31页 |
| 3.5.2 基于蚁群算法的聚类 | 第31-32页 |
| 3.6 本章小结 | 第32-33页 |
| 第四章 基于项目属性相似Slope One和聚类的协同过滤设计 | 第33-46页 |
| 4.1 传统协同过滤算法 | 第33-36页 |
| 4.1.1 常用相似性度量方法 | 第34-36页 |
| 4.1.2 生成推荐 | 第36页 |
| 4.2 SlopeOne算法的局限性 | 第36页 |
| 4.3 基于项目属性相似的SlopeOne预测模型 | 第36-39页 |
| 4.4 用户聚类处理 | 第39-42页 |
| 4.4.1 基于用户特征的聚类过程 | 第40页 |
| 4.4.2 用户属性相似的度量方法 | 第40-42页 |
| 4.5 用户综合相似度量方法 | 第42-43页 |
| 4.6 邻居用户的选取 | 第43页 |
| 4.7 生成推荐 | 第43-44页 |
| 4.8 本章小结 | 第44-46页 |
| 第五章 实验与分析 | 第46-58页 |
| 5.1 数据集介绍 | 第46页 |
| 5.2 评测标准介绍 | 第46-47页 |
| 5.3 实验环境 | 第47页 |
| 5.4 模块划分 | 第47页 |
| 5.5 实验过程 | 第47-57页 |
| 5.5.1 基于项目属性相似SlopeOne预测模型的有效性验证 | 第47-49页 |
| 5.5.2 引入聚类的协同过滤有效性的验证 | 第49-53页 |
| 5.5.3 基于项目属性相似SlopeOne和聚类的协同过滤算法 | 第53-57页 |
| 5.6 本章小结 | 第57-58页 |
| 总结与展望 | 第58-60页 |
| 1 主要工作 | 第58-59页 |
| 2 问题及展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 附录：部分程序源码 | 第64-74页 |
| 致谢 | 第74页 |
