面向个性化学习资源共享的混合推荐系统的设计与实现
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.2.1 数据挖掘现状 | 第12页 |
| 1.2.2 数据挖掘在图书领域现状 | 第12-13页 |
| 1.2.3 数据建模现状 | 第13页 |
| 1.2.4 社会化标签处理现状 | 第13页 |
| 1.3 研究内容与目标 | 第13-14页 |
| 1.4 研究的主要路线 | 第14-16页 |
| 第二章 推荐系统关键技术介绍 | 第16-24页 |
| 2.1 数据预处理 | 第16-18页 |
| 2.1.1 数据选取 | 第16页 |
| 2.1.2 数据集成 | 第16-17页 |
| 2.1.3 数据清理 | 第17页 |
| 2.1.4 数据补充 | 第17-18页 |
| 2.1.5 数据离散化 | 第18页 |
| 2.2 推荐算法评价指标 | 第18-20页 |
| 2.2.1 准确率与召回率 | 第18-19页 |
| 2.2.2 流行性和多样性 | 第19页 |
| 2.2.3 新鲜性与熟悉度 | 第19-20页 |
| 2.2.4 覆盖率 | 第20页 |
| 2.3 常用的推荐算法 | 第20-23页 |
| 2.3.1 协同过滤算法 | 第20-21页 |
| 2.3.2 隐语义模型 | 第21-22页 |
| 2.3.3 基于内容的推荐算法 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 标签模糊和冗余问题处理 | 第24-34页 |
| 3.1 标签模糊处理方案设计 | 第24-26页 |
| 3.2 标签冗余处理方案设计 | 第26-29页 |
| 3.2.1 K-Means 算法 | 第26-27页 |
| 3.2.2 标签聚类算法 | 第27-29页 |
| 3.3 实验 | 第29-33页 |
| 3.3.1 数据来源 | 第29-30页 |
| 3.3.2 实验设计 | 第30-31页 |
| 3.3.3 结果及分析 | 第31-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第四章 混合推荐算法的设计 | 第34-47页 |
| 4.1 兴趣模型 | 第34-36页 |
| 4.1.1 假设条件 | 第34页 |
| 4.1.2 读者兴趣度 | 第34-35页 |
| 4.1.3 时间上下文 | 第35-36页 |
| 4.2 混合推荐策略研究 | 第36-40页 |
| 4.2.1 基础推荐算法比较 | 第36-38页 |
| 4.2.2 混合推荐策略设计 | 第38-40页 |
| 4.3 实验 | 第40-46页 |
| 4.3.1 数据来源 | 第40-41页 |
| 4.3.2 兴趣模型实验 | 第41-43页 |
| 4.3.3 混合推荐策略实验 | 第43-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 系统的设计与实现 | 第47-59页 |
| 5.1 需求分析 | 第47页 |
| 5.1.1 业务需求 | 第47页 |
| 5.1.2 功能需求 | 第47页 |
| 5.2 系统总体设计 | 第47-49页 |
| 5.2.1 系统架构设计 | 第47-48页 |
| 5.2.2 系统结构设计 | 第48-49页 |
| 5.3 系统模块的设计与实现 | 第49-58页 |
| 5.3.1 数据获取模块 | 第49-51页 |
| 5.3.2 数据预处理模块 | 第51-52页 |
| 5.3.3 推荐计算模块 | 第52-56页 |
| 5.3.4 数据接口模块 | 第56-57页 |
| 5.3.5 前台展示模块 | 第57-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 工作总结 | 第59-60页 |
| 6.2 工作展望 | 第60-61页 |
| 参考文献 | 第61-63页 |
| 附录一 | 第63-65页 |
| 附录二 | 第65-66页 |
| 附录三 | 第66-67页 |
| 附录 缩略语 | 第67-68页 |
| 致谢 | 第68-69页 |
| 作者攻读学位期间发表的学术论文目录 | 第69页 |
