| 提要 | 第1-7页 |
| 第1章 绪论 | 第7-13页 |
| ·推荐系统的产生和发展 | 第7-8页 |
| ·推荐系统的工作机制 | 第7-8页 |
| ·协同过滤技术面临的挑战 | 第8-10页 |
| ·协同过滤技术的研究现状 | 第10-12页 |
| ·基于内存的协同过滤 | 第10-11页 |
| ·基于模型的协同过滤 | 第11页 |
| ·基于矩阵分解的协同过滤 | 第11-12页 |
| ·基于多种方法的融合式协同过滤 | 第12页 |
| ·本文内容安排 | 第12-13页 |
| 第2章 传统ITEM-BASED协同过滤推荐算法 | 第13-20页 |
| ·传统算法概述 | 第13-15页 |
| ·协同过滤推荐过程 | 第13-14页 |
| ·传统Item-Based协同过滤算法 | 第14-15页 |
| ·传统Item-Based算法复杂度分析 | 第15页 |
| ·相似性度量方法 | 第15-16页 |
| ·最近邻的选取 | 第16-18页 |
| ·推荐的产生 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 第3章 传统协同过滤推荐算法改进 | 第20-28页 |
| ·相似性度量方法分析 | 第20-21页 |
| ·用户评分的二元观点(Binary View) | 第20-21页 |
| ·长列(Long Columns)和小交集(Small Intersections) | 第21页 |
| ·传统ITEM-BASED协同过滤算法改进 | 第21-25页 |
| ·结合标准余弦与加权Pearson的相似性度量方法(CP) | 第21-22页 |
| ·基于项目近邻等级(Neighbor Grade)求取最近邻(NG) | 第22-24页 |
| ·冷启动-公众评分(Common Ratings, CR) | 第24-25页 |
| ·结合传统ITEM-BASED(IB)和USER-BASED(UB)算法(IBUB) | 第25-27页 |
| ·本章小结 | 第27-28页 |
| 第4章 基于SVD的KNN算法 | 第28-36页 |
| ·将SVD应用于协同过滤的基础 | 第28页 |
| ·矩阵奇异值分解(SVD) | 第28-31页 |
| ·SVD模型 | 第28-30页 |
| ·协同过滤中SVD模型的解释 | 第30-31页 |
| ·基于SVD的KNN协同过滤算法 | 第31-35页 |
| ·朴素的SVD评分预测 | 第31-32页 |
| ·基于SVD的Item-Based 协同过滤算法 | 第32-34页 |
| ·结合SVDIB和SVDUB | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第5章 实验设计及结果分析 | 第36-47页 |
| ·实验基础 | 第36-37页 |
| ·传统协同过滤算法. | 第37-39页 |
| ·三种相似性度量标准的比较 | 第37-38页 |
| ·传统Item-Based算法与User-Based算法的比较 | 第38页 |
| ·结合传统Item-Based和User-Based算法(IBUB) | 第38-39页 |
| ·改进因子与传统协同过滤算法. | 第39-42页 |
| ·Cosine-Pearson (CP) | 第39-40页 |
| ·近邻等级(NG) | 第40-41页 |
| ·公众评分(CR) | 第41-42页 |
| ·改进因子与IBUB的综合作用 | 第42-43页 |
| ·SVD模型 | 第43-44页 |
| ·朴素SVD评分预测(NSVD) | 第43-44页 |
| ·SVD-KNN算法 | 第44页 |
| ·改进因子与SVD-KNN | 第44-45页 |
| ·Cosine-Pearson (CP) | 第44-45页 |
| ·公众评分(CR) | 第45页 |
| ·改进因子与SVDIBUB的综合作用 | 第45-47页 |
| 第6章 结论与展望 | 第47-49页 |
| 参考文献 | 第49-53页 |
| 攻读硕士学位期间发表的论文和参与的项目 | 第53-54页 |
| 致谢 | 第54-55页 |
| 摘要 | 第55-57页 |
| ABSTRACT | 第57-59页 |
