| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·研究背景与意义 | 第10-11页 |
| ·推荐系统的国内外研究现状 | 第11-14页 |
| ·本文的主要内容及组织结构 | 第14-15页 |
| ·论文的主要内容 | 第14页 |
| ·论文的组织结构 | 第14-15页 |
| ·本章小结 | 第15-16页 |
| 第2章 推荐系统相关技术及概念 | 第16-34页 |
| ·个性化推荐的研究领域 | 第16-17页 |
| ·个性化推荐系统概述 | 第17-19页 |
| ·推荐系统的体系结构 | 第19-20页 |
| ·个性化推荐系统相关技术 | 第20-25页 |
| ·信息过滤技术 | 第20-22页 |
| ·数据挖掘技术 | 第22-24页 |
| ·其他技术 | 第24-25页 |
| ·推荐系统的分类 | 第25-26页 |
| ·典型协同过滤推荐算法概述 | 第26-33页 |
| ·User-based协同过滤算法 | 第26-29页 |
| ·Item-based协同过滤算法 | 第29-31页 |
| ·基于SVD降维的协同过滤算法 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 第3章 基于邻居动态决策的协同过滤推荐算法 | 第34-46页 |
| ·协同过滤算法的思想及实现步骤 | 第34-36页 |
| ·基于邻居动态决策的协同过滤推荐算法 | 第36-40页 |
| ·算法依据 | 第36-37页 |
| ·基于邻居动态决策协同过滤算法实现步骤 | 第37-40页 |
| ·实验分析 | 第40-45页 |
| ·实验概述 | 第40-42页 |
| ·实验结果分析 | 第42-45页 |
| ·本章小结 | 第45-46页 |
| 第4章 融入贝叶斯理论进行项目预测的协同过滤算法 | 第46-55页 |
| ·引言 | 第46页 |
| ·融入贝叶斯理论的项目邻居计算 | 第46-49页 |
| ·项目类别属性 | 第46-47页 |
| ·项目类型偏好计算 | 第47-48页 |
| ·融入类型偏好的邻居集合 | 第48-49页 |
| ·用户邻居计算 | 第49-50页 |
| ·融入贝叶斯理论进行项目预测的协同过滤算法 | 第50-52页 |
| ·实验分析 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 第5章 总结及展望 | 第55-58页 |
| ·工作总结 | 第55-56页 |
| ·未来工作 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 附录A（攻读硕士学位期间参与的科研项目和研究成果） | 第63页 |