| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 个性化推荐系统概述 | 第12-13页 |
| 1.3 国内研究现状 | 第13页 |
| 1.4 主要研究内容 | 第13-14页 |
| 1.5 论文的组织结构 | 第14-15页 |
| 第2章 个性化及协同过滤推荐技术相关研究 | 第15-33页 |
| 2.1 个性化推荐技术分类介绍 | 第15-24页 |
| 2.1.1 协同过滤推荐技术 | 第16-18页 |
| 2.1.2 基于内容推荐技术 | 第18-20页 |
| 2.1.3 基于知识的推荐 | 第20-21页 |
| 2.1.4 基于关联规则的推荐 | 第21-22页 |
| 2.1.5 混合推荐技术 | 第22-24页 |
| 2.1.6 主要推荐方法优缺点对比 | 第24页 |
| 2.2 个性化推荐算法评估技术介绍 | 第24-26页 |
| 2.2.1 预测评分准确度 | 第24-25页 |
| 2.2.2 分类准确度 | 第25页 |
| 2.2.3 覆盖率和项目的平均流行度 | 第25-26页 |
| 2.3 相似度度量技术 | 第26-27页 |
| 2.3.1 相似度度量体系 | 第26页 |
| 2.3.2 三个计算相似度的公式 | 第26-27页 |
| 2.4 基于用户的最近邻推荐(User-basedCF) | 第27-30页 |
| 2.4.1 User-basedCF算法的步骤 | 第28-29页 |
| 2.4.2 User-basedCF算法流程 | 第29-30页 |
| 2.5 基于项目的最近邻推荐(Item-basedCF) | 第30-32页 |
| 2.5.1 Item-basedCF算法的步骤 | 第31-32页 |
| 2.5.2 Item-basedCF算法流程 | 第32页 |
| 2.6 本章小结 | 第32-33页 |
| 第3章 适用职业精准推荐的算法改进研究 | 第33-51页 |
| 3.1 传统算法的优缺点 | 第33页 |
| 3.2 用户行为分析 | 第33-34页 |
| 3.2.1 活跃用户和流行项目的分布 | 第33-34页 |
| 3.2.2 活跃用户和流行项目的关系 | 第34页 |
| 3.3 两个传统算法实验结果比对分析 | 第34-37页 |
| 3.4 算法的改进思路 | 第37-42页 |
| 3.4.1 用户相似度的改进 | 第37-39页 |
| 3.4.2 项目相似度的改进 | 第39-40页 |
| 3.4.3 稀疏矩阵的压缩 | 第40-42页 |
| 3.4.4 多维推荐算法提出的背景情况分析 | 第42页 |
| 3.5 多维推荐算法 | 第42-44页 |
| 3.5.1 算法的步骤 | 第42-43页 |
| 3.5.2 多维推荐算法的设计 | 第43-44页 |
| 3.6 改进的推荐算法实验结果分析 | 第44-50页 |
| 3.6.1 基于用户的传统算法与改进算法的比较分析 | 第45-46页 |
| 3.6.2 基于项目的传统推荐算法与改进算法的比较分析 | 第46-47页 |
| 3.6.3 多维推荐算法的实验结果比较分析 | 第47-49页 |
| 3.6.4 改进的算法与多维推荐算法的比较分析 | 第49-50页 |
| 3.7 本章小结 | 第50-51页 |
| 第4章 面向公共就业服务个性化推荐系统实现 | 第51-63页 |
| 4.1 在公共就业服务中个性化推荐的业务需求 | 第51-53页 |
| 4.2 选取业务数据集验证算法推荐效果 | 第53-55页 |
| 4.3 对个性化推荐算法进行系统验证 | 第55-59页 |
| 4.3.1 评分数据的产生 | 第55页 |
| 4.3.2 验证协同过滤算法推荐性能的实验设计 | 第55-56页 |
| 4.3.3 使用编程语言python划分实验数据集评测 | 第56-57页 |
| 4.3.4 用python实现指标评测 | 第57-59页 |
| 4.3.5 推荐算法的系统验证实验结果分析 | 第59页 |
| 4.4 在就业服务工作中个性化推荐的实际应用 | 第59-62页 |
| 4.5 本章小结 | 第62-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 读硕士学位期间发表的论文和取得的科研成果 | 第69-70页 |
| 致谢 | 第70-71页 |
| 个人简历 | 第71页 |
