| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究目的和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 国外研究现状 | 第14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 本文的主要工作 | 第15页 |
| 1.4 本文的章节结构 | 第15-16页 |
| 第2章 用户画像与个性化推荐知识概述 | 第16-28页 |
| 2.1 用户画像知识概述 | 第16-17页 |
| 2.2 个性化推荐系统概述 | 第17-25页 |
| 2.2.1 协同过滤推荐算法 | 第17-21页 |
| 2.2.2 基于内容的推荐方法 | 第21-22页 |
| 2.2.3 基于知识的推荐方法 | 第22-23页 |
| 2.2.4 混合推荐算法 | 第23-24页 |
| 2.2.5 主流算法的比较 | 第24-25页 |
| 2.3 算法评测方法 | 第25-27页 |
| 2.3.1 评测过程 | 第25-26页 |
| 2.3.2 评测指标 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于用户画像的可行性推荐策略 | 第28-37页 |
| 3.1 用户行为与用户画像建模 | 第28-29页 |
| 3.1.1 用户行为分析 | 第28页 |
| 3.1.2 用户画像建模 | 第28-29页 |
| 3.2 可行性推荐算法 | 第29-36页 |
| 3.2.1 改进的协同过滤算法 | 第29-34页 |
| 3.2.2 逻辑回归分类 | 第34-35页 |
| 3.2.3 矩阵分解算法 | 第35-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第4章 混合推荐算法设计 | 第37-44页 |
| 4.1 混合算法研究背景 | 第37页 |
| 4.2 混合算法研究现状 | 第37-38页 |
| 4.3 协同过滤算法混合的策略研究 | 第38-41页 |
| 4.3.1 与K-means用户聚类算法混合 | 第38-40页 |
| 4.3.2 与基于内容的推荐算法混合 | 第40-41页 |
| 4.4 协同过滤与k-means聚类混合的推荐算法 | 第41-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第5章 实验结果与分析 | 第44-52页 |
| 5.1 实验数据 | 第44-46页 |
| 5.1.1 数据集介绍 | 第44-45页 |
| 5.1.2 数据划分 | 第45页 |
| 5.1.3 数据预处理 | 第45-46页 |
| 5.2 实验流程 | 第46-47页 |
| 5.2.1 特征提取 | 第46页 |
| 5.2.2 数据标准化 | 第46-47页 |
| 5.2.3 参数调整 | 第47页 |
| 5.3 实验结果评估方法 | 第47-48页 |
| 5.4 算法流程总结 | 第48页 |
| 5.5 实验结果与分析 | 第48-51页 |
| 5.6 本章小结 | 第51-52页 |
| 第6章 总结与展望 | 第52-54页 |
| 6.1 全文总结 | 第52页 |
| 6.2 工作展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 作者简介 | 第58-59页 |
| 致谢 | 第59页 |