| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 1 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 推荐系统发展历程 | 第12-13页 |
| 1.2.2 推荐算法研究现状 | 第13-15页 |
| 1.2.3 兴趣转移推荐的研究现状 | 第15-16页 |
| 1.3 本文研究内容及框架 | 第16-17页 |
| 1.3.1 本文研究内容 | 第16-17页 |
| 1.3.2 本文研究框架 | 第17页 |
| 1.4 本文的章节安排 | 第17-19页 |
| 2 推荐系统及FCM算法 | 第19-31页 |
| 2.1 推荐系统基本原则及常用数据集 | 第19-21页 |
| 2.1.1 推荐系统的基本原则 | 第19-20页 |
| 2.1.2 常用数据集 | 第20-21页 |
| 2.2 常用的几种推荐算法 | 第21-23页 |
| 2.2.1 基于内容的推荐算法 | 第21页 |
| 2.2.2 基于人物属性推荐算法 | 第21-22页 |
| 2.2.3 混合推荐算法 | 第22-23页 |
| 2.3 协同过滤算法 | 第23-28页 |
| 2.3.1 基于内存的协同过滤 | 第23-27页 |
| 2.3.2 基于模型的协同过滤 | 第27-28页 |
| 2.4 模糊C均值聚类算法FCM | 第28-30页 |
| 2.4.1 FCM的发展和基本原理 | 第28-29页 |
| 2.4.2 FCM基本流程 | 第29-30页 |
| 2.4.3 引入FCM的优点 | 第30页 |
| 2.5 本章小结 | 第30-31页 |
| 3 数据稀疏性及用户兴趣变化的问题研究 | 第31-42页 |
| 3.1 协同过滤推荐算法面临的主要问题 | 第31-33页 |
| 3.1.1 数据稀疏性问题 | 第31-32页 |
| 3.1.2 用户兴趣随时间变化问题 | 第32-33页 |
| 3.2 利用AP-FCM聚类算法降低数据稀疏性 | 第33-38页 |
| 3.2.1 AP-FCM初始聚类中心的确定 | 第33-34页 |
| 3.2.2 构建AP-FCM算法模型 | 第34-35页 |
| 3.2.3 实验分析与结果 | 第35-38页 |
| 3.3 将时间权重函数应用兴趣变化问题 | 第38-40页 |
| 3.3.1 时间权重函数原理 | 第39页 |
| 3.3.2 验证时间权重函数的有效性 | 第39-40页 |
| 3.4 本章小结 | 第40-42页 |
| 4 基于AP-FCM和时间权重函数的协同过滤推荐算法 | 第42-54页 |
| 4.1 AP-FCM算法对项目属性矩阵聚类 | 第42-43页 |
| 4.2 利用时间权重函数对项目评分衰减 | 第43-44页 |
| 4.3 产生推荐 | 第44-46页 |
| 4.3.1 相似度的计算 | 第45-46页 |
| 4.3.2 预测评分 | 第46页 |
| 4.4 实验分析 | 第46-52页 |
| 4.4.1 实验数据集 | 第46-50页 |
| 4.4.2 实验评价标准及相关参数确定 | 第50-52页 |
| 4.4.3 与传统协同过滤推荐算法对比 | 第52页 |
| 4.5 本章小结 | 第52-54页 |
| 5 总结与展望 | 第54-56页 |
| 5.1 本文工作总结 | 第54页 |
| 5.2 问题与展望 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61页 |