| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第8-11页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8页 |
| 1.1.2 研究意义 | 第8-9页 |
| 1.2 就业推荐研究中存在的问题 | 第9页 |
| 1.3 研究内容及创新点 | 第9-10页 |
| 1.4 本文组织结构 | 第10-11页 |
| 第二章 推荐系统相关研究 | 第11-22页 |
| 2.1 推荐系统相关理论 | 第11-12页 |
| 2.2 推荐系统常用算法 | 第12-18页 |
| 2.2.1 基于内容的推荐 | 第12-14页 |
| 2.2.2 基于协同过滤的推荐 | 第14-17页 |
| 2.2.3 混合推荐算法 | 第17-18页 |
| 2.3 推荐系统多样性相关研究 | 第18-19页 |
| 2.3.1 推荐多样性基本知识 | 第18页 |
| 2.3.2 推荐系统多样性研究现状 | 第18-19页 |
| 2.4 就业推荐相关研究 | 第19-20页 |
| 2.5 常用的推荐多样性技术 | 第20-21页 |
| 2.5.1 聚类算法 | 第20页 |
| 2.5.2 二分图推荐算法 | 第20-21页 |
| 2.6 本章小结 | 第21-22页 |
| 第三章 基于聚类的个体多样性优化推荐算法 | 第22-31页 |
| 3.1 相关定义 | 第22-23页 |
| 3.2 算法思想及步骤 | 第23-26页 |
| 3.2.1 项目差异度计算 | 第23-24页 |
| 3.2.2 项目聚类处理 | 第24-25页 |
| 3.2.3 构建用户候选推荐列表 | 第25页 |
| 3.2.4 推荐列表优化 | 第25-26页 |
| 3.3 算法复杂度分析 | 第26页 |
| 3.4 实验分析 | 第26-30页 |
| 3.4.1 评价标准 | 第26-27页 |
| 3.4.2 ID-Improved算法在就业推荐领域中的实验分析 | 第27-28页 |
| 3.4.3 ID-Improved算法在电影推荐领域中的实验分析 | 第28-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第四章 基于二分图网络的总体多样性优化推荐算法 | 第31-41页 |
| 4.1 相关定义 | 第31-32页 |
| 4.2 主要思想及步骤 | 第32-35页 |
| 4.2.1 构建用户候选推荐列表 | 第32-33页 |
| 4.2.2 构建推荐二分图 | 第33页 |
| 4.2.3 生成推荐列表 | 第33-35页 |
| 4.3 算法复杂度分析 | 第35页 |
| 4.4 实验分析 | 第35-40页 |
| 4.4.1 评价标准 | 第35-36页 |
| 4.4.2 AD-Improved算法在就业推荐领域中的实验分析 | 第36-37页 |
| 4.4.3 AD-Improved算法在电影推荐领域中的实验分析 | 第37-40页 |
| 4.5 本章小结 | 第40-41页 |
| 第五章 基于多样性增强的就业推荐原型系统 | 第41-46页 |
| 5.1 系统整体设计 | 第41-43页 |
| 5.1.1 体系结构 | 第41页 |
| 5.1.2 推荐流程 | 第41-42页 |
| 5.1.3 系统功能模块 | 第42-43页 |
| 5.2 系统展示 | 第43-45页 |
| 5.3 本章小结 | 第45-46页 |
| 第六章 总结与展望 | 第46-47页 |
| 6.1 总结 | 第46页 |
| 6.2 展望 | 第46-47页 |
| 参考文献 | 第47-51页 |
| 攻读硕士学位期间的主要工作 | 第51-52页 |
| 致谢 | 第52页 |
