| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第1章 绪论 | 第10-18页 |
| ·本文研究背景及意义 | 第10-11页 |
| ·研究背景 | 第10-11页 |
| ·研究意义 | 第11页 |
| ·基于 Tag 的推荐系统研究现状 | 第11-14页 |
| ·本文研究内容及结构安排 | 第14-16页 |
| ·本文研究内容 | 第14-15页 |
| ·本文结构安排 | 第15-16页 |
| ·本章小结 | 第16-18页 |
| 第2章 基于 Tag 的个性化推荐系统及相关知识 | 第18-28页 |
| ·个性化推荐系统及推荐技术 | 第18-22页 |
| ·个性化推荐系统 | 第18页 |
| ·协同过滤推荐技术 | 第18-21页 |
| ·基于内容的协同推荐技术 | 第21页 |
| ·混合推荐技术 | 第21-22页 |
| ·标签系统 | 第22-24页 |
| ·社会化标签 | 第22页 |
| ·标签系统 | 第22-23页 |
| ·标签系统的特点及应用 | 第23-24页 |
| ·其他相关知识 | 第24-26页 |
| ·信息检索经典模型 | 第24页 |
| ·信息检索中的偏好定义 | 第24-25页 |
| ·神经网络模型 | 第25-26页 |
| ·本章小结 | 第26-28页 |
| 第3章 基于自适应方法的 TRRS 研究 | 第28-40页 |
| ·TRRS 的向量空间模型及评分偏好 | 第28-30页 |
| ·TRRS 向量空间模型 | 第28-29页 |
| ·评分偏好定义 | 第29-30页 |
| ·TRRS 的网络结构模型 | 第30-34页 |
| ·TRRS 的用户兴趣模型与相关算法 | 第34-38页 |
| ·用户兴趣建模分析 | 第34页 |
| ·基于 UI 推荐的用户兴趣模型 | 第34-35页 |
| ·基于 IU 推荐的用户兴趣模型 | 第35-36页 |
| ·TRRS 相关算法介绍 | 第36-38页 |
| ·本章小结 | 第38-40页 |
| 第4章 基于相似性的 TRRS 研究 | 第40-53页 |
| ·相似性的定性描述 | 第40-43页 |
| ·评分偏好 | 第40-41页 |
| ·相似性的定性描述 | 第41-43页 |
| ·相似性的定量描述 | 第43-46页 |
| ·标准的余弦相似性 | 第44-45页 |
| ·修正的余弦相似性 | 第45-46页 |
| ·Pearson 相关相似性 | 第46页 |
| ·TRRS 预测评分 | 第46-51页 |
| ·基于 kNN 的预测评分 | 第47-48页 |
| ·基于 kNN+RkNN 的预测评分 | 第48-50页 |
| ·产生推荐 | 第50-51页 |
| ·本章小结 | 第51-53页 |
| 第5章 实验结果 | 第53-64页 |
| ·数据集 | 第53-54页 |
| ·评价指标 | 第54-56页 |
| ·正确率 (Accuracy) | 第54-55页 |
| ·平均绝对偏差（MAE） | 第55-56页 |
| ·实验结果及讨论 | 第56-62页 |
| ·实验环境 | 第56页 |
| ·实验 1. 迭代次数对 TRRS 推荐质量的影响 | 第56-57页 |
| ·实验 2. TRRS 的推荐质量分析 | 第57页 |
| ·实验 3. 三种相似性度量标准的比较 | 第57-59页 |
| ·实验 4. 通过 kNN 实现的 I-based 和 UIT-based 的推荐算法的比较 | 第59页 |
| ·实验 5. kNN 和 RkNN 对 UIT-based 推荐性能的影响 | 第59-60页 |
| ·实验 6. k 值的变化对 UIT-based 推荐性能的影响 | 第60-61页 |
| ·实验 7. kNN+RkNN 推荐算法性能的比较 | 第61-62页 |
| ·本章小结 | 第62-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间所发表的学术论文 | 第70-72页 |
| 致谢 | 第72-73页 |
