| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 推荐系统的研究背景与意义 | 第9-10页 |
| 1.2 推荐系统的发展及其现状 | 第10-12页 |
| 1.3 关联规则的研究及其现状 | 第12-13页 |
| 1.4 神经网络在推荐系统中应用的研究及其现状 | 第13-14页 |
| 1.5 推荐系统面临的挑战 | 第14-15页 |
| 1.6 论文组织结构 | 第15-16页 |
| 第二章 推荐系统的相关理论以及关键技术 | 第16-36页 |
| 2.1 推荐系统的架构以及应用案例 | 第16-19页 |
| 2.1.1 推荐系统在一个网站中的架构 | 第16-17页 |
| 2.1.2 推荐系统的设计 | 第17-19页 |
| 2.2 传统协同过滤的推荐系统 | 第19-27页 |
| 2.2.1 协同过滤的简要说明 | 第19-20页 |
| 2.2.2 基于用户的协同过滤的推荐算法 | 第20-23页 |
| 2.2.3 基于物品的协同过滤的推荐算法 | 第23-27页 |
| 2.3 基于模型的协同过滤推荐系统 | 第27-32页 |
| 2.3.1 基于奇异值分解的推荐算法 | 第27-29页 |
| 2.3.2 基于隐语义的推荐算法 | 第29-32页 |
| 2.3.3 基于图的推荐算法 | 第32页 |
| 2.4 推荐系统的评测 | 第32-35页 |
| 2.4.1 准确度的评价 | 第33-34页 |
| 2.4.2 准确度之外的评价指标 | 第34-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第三章 基于关联规则改进的推荐系统研究 | 第36-53页 |
| 3.1 关联规则的基本概念与相关理论 | 第36-39页 |
| 3.1.1 关联规则研究的现实意义 | 第36-37页 |
| 3.1.2 关联规则的相关概念 | 第37-39页 |
| 3.1.3 关联规则挖掘步骤 | 第39页 |
| 3.2 Apriori算法的分析与研究 | 第39-43页 |
| 3.2.1 Apriori算法的主要思想 | 第39-40页 |
| 3.2.2 Apriori算法的主要实现流程 | 第40-41页 |
| 3.2.3 Apriori的实现与缺点分析 | 第41-43页 |
| 3.3 FP-tree算法的分析与研究 | 第43-48页 |
| 3.3.1 FP-tree算法的主要思想 | 第43页 |
| 3.3.2 FP-tree算法的主要实现流程 | 第43-47页 |
| 3.3.3 FP-tree算法的实现与缺点分析 | 第47-48页 |
| 3.4 基于FP-tree算法的正、负关联规则的分析与研究 | 第48-52页 |
| 3.4.1 负关联规则相关概念 | 第48-49页 |
| 3.4.2 构造快速正负关联规则FFP-tree的步骤 | 第49-50页 |
| 3.4.3 快速正、负关联规则FFP-tree应用在实例数据集 | 第50-51页 |
| 3.4.4 改进算法FFP-tree的实验验证与分析 | 第51-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 基于神经网络与用户偏好融合的推荐系统的研究 | 第53-61页 |
| 4.1 BP神经网络 | 第53-55页 |
| 4.2 用户偏好的特征工程建立与BP神经网络学习 | 第55-57页 |
| 4.2.1 用户偏好模型的建立 | 第55-56页 |
| 4.2.2 BP神经网络训练用户偏好模型 | 第56-57页 |
| 4.3 实例实验分析 | 第57-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 总结 | 第61页 |
| 5.2 展望 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 附录 | 第68-69页 |
| 中文详细摘要 | 第69-71页 |
