| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 序言 | 第9-12页 |
| 1 引言 | 第12-17页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 研究意义 | 第13页 |
| 1.3 国内外研究现状 | 第13-14页 |
| 1.4 论文难点以及主要研究成果 | 第14-15页 |
| 1.5 论文的组织结构 | 第15-17页 |
| 2 协同过滤推荐的技术基础及问题识别 | 第17-26页 |
| 2.1 推荐系统和推荐算法概述 | 第17-24页 |
| 2.1.1 推荐系统的发展方向 | 第18页 |
| 2.1.2 推荐系统分类 | 第18-21页 |
| 2.1.3 推荐算法的分类 | 第21-24页 |
| 2.2 协同过滤推荐的问题识别和定义 | 第24-25页 |
| 2.2.1 协同过滤概述 | 第24页 |
| 2.2.2 协同过滤算法的问题识别和定义 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 3 基于用户相似度的协同过滤推荐算法的优化 | 第26-46页 |
| 3.1 经典协同过滤算法——Slope one | 第26页 |
| 3.2 Slope one算法的发展 | 第26-30页 |
| 3.2.1 基于项目相似度的IS-Slope one算法 | 第27-29页 |
| 3.2.2 基于奇异值分解的SVD-Slope one算法 | 第29-30页 |
| 3.3 基于用户相似度的协同过滤算法的设计 | 第30-45页 |
| 3.3.1 基于用户相似度的协同过滤思想 | 第31页 |
| 3.3.2 用户相似性计算 | 第31-39页 |
| 3.3.3 冷启动问题的处理 | 第39-40页 |
| 3.3.4 稀疏矩阵的存储 | 第40-42页 |
| 3.3.5 稀疏矩阵的稠密化 | 第42-43页 |
| 3.3.6 面向用户相似度的US-Slope one算法的设计 | 第43-45页 |
| 3.4 本章小结 | 第45-46页 |
| 4 基于用户相似度的推荐系统设计和实现 | 第46-61页 |
| 4.1 基于用户相似度的推荐推荐系统需求分析 | 第46-50页 |
| 4.1.1 基于用户相似度的推荐系统功能需求 | 第46-48页 |
| 4.1.2 基于用户相似度的推荐系统功能模型 | 第48-50页 |
| 4.2 基于用户相似度的推荐系统概要设计 | 第50-55页 |
| 4.2.1 基于用户相似度的推荐系统逻辑架构设计 | 第50-52页 |
| 4.2.2 基于用户相似度的推荐系统物理架构设计 | 第52-54页 |
| 4.2.3 基于用户相似度的推荐系统的技术架构 | 第54-55页 |
| 4.2.4 基于用户相似度的推荐系统流程图 | 第55页 |
| 4.3 基于用户相似度的推荐系统详细设计及实现 | 第55-60页 |
| 4.3.1 基于用户相似度的推荐系统数据库设计 | 第55-59页 |
| 4.3.2 基于用户相似度的推荐系统模块实现 | 第59-60页 |
| 4.4 本章小结 | 第60-61页 |
| 5 推荐准确性和推荐稳定性实验与结果分析 | 第61-69页 |
| 5.1 实验环境 | 第61-62页 |
| 5.2 推荐性能衡量指标 | 第62-63页 |
| 5.3 样本空间的选取 | 第63-64页 |
| 5.4 样本空间的信度和效度度量 | 第64-65页 |
| 5.5 US-Slope one算法性能测试 | 第65-68页 |
| 5.5.1 横向测试 | 第65-67页 |
| 5.5.2 纵向测试 | 第67-68页 |
| 5.6 本章小结 | 第68-69页 |
| 6 总结与展望 | 第69-71页 |
| 6.1 总结 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 参考文献 | 第71-73页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第73-75页 |
| 学位论文数据集 | 第75页 |
