| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 主要工作 | 第15-16页 |
| 1.4 论文结构 | 第16-18页 |
| 第2章 相关理论及技术 | 第18-34页 |
| 2.1 个性化推荐系统 | 第18-19页 |
| 2.2 协同过滤推荐技术 | 第19-31页 |
| 2.2.1 协同过滤技术概述 | 第19-21页 |
| 2.2.2 协同过滤技术分类 | 第21-22页 |
| 2.2.3 基于内存的协同过滤技术 | 第22-30页 |
| 2.2.3.1 基于用户的协同过滤技术 | 第22-26页 |
| 2.2.3.2 基于项目的协同过滤技术 | 第26-30页 |
| 2.2.4 基于模型的协同过滤技术 | 第30-31页 |
| 2.3 实验数据集和评价指标 | 第31-32页 |
| 2.3.1 实验数据集 | 第31页 |
| 2.3.2 评价指标 | 第31-32页 |
| 2.4 本章小结 | 第32-34页 |
| 第3章 基于稀疏聚类和用户信任度的协同过滤算法 | 第34-46页 |
| 3.1 算法框架 | 第34-37页 |
| 3.2 用户项目评分矩阵 | 第37页 |
| 3.3 用户聚类 | 第37-38页 |
| 3.4 结合用户信任度优化相似度 | 第38-39页 |
| 3.4.1 计算用户可信度 | 第38-39页 |
| 3.4.2 结合用户信任度量计算相似度 | 第39页 |
| 3.5 查找最近邻 | 第39-40页 |
| 3.6 产生推荐结果 | 第40页 |
| 3.7 算法流程 | 第40-41页 |
| 3.8 实验 | 第41-44页 |
| 3.8.1 实验环境和实验数据 | 第41页 |
| 3.8.2 评价标准 | 第41-42页 |
| 3.8.3 实验结果 | 第42-44页 |
| 3.9 本章小结 | 第44-46页 |
| 第4章 基于用户共同喜好评分和评分时间差的协同过滤算法 | 第46-60页 |
| 4.1 算法框架 | 第46-48页 |
| 4.2 用户-项目评分矩阵 | 第48-49页 |
| 4.3 用户聚类 | 第49页 |
| 4.4 计算用户相似度 | 第49-51页 |
| 4.4.1 计算用户共同喜好评分 | 第49-50页 |
| 4.4.2 结合用户评分时间差计算相似度 | 第50-51页 |
| 4.5 查找最近邻 | 第51页 |
| 4.6 产生推荐结果 | 第51-52页 |
| 4.7 算法流程 | 第52-53页 |
| 4.8 实验 | 第53-58页 |
| 4.8.1 实验环境和实验数据 | 第53页 |
| 4.8.2 评价标准 | 第53页 |
| 4.8.3 实验结果 | 第53-55页 |
| 4.8.4 对本章实验所设参数进行讨论 | 第55-58页 |
| 4.8.4.1 对参数γ的讨论 | 第56页 |
| 4.8.4.2 对参数α讨论 | 第56-57页 |
| 4.8.4.3 对参数β讨论 | 第57-58页 |
| 4.9 本章小结 | 第58-60页 |
| 第5章 总结与展望 | 第60-62页 |
| 5.1 工作总结 | 第60-61页 |
| 5.2 展望 | 第61-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68-70页 |
| 攻读硕士学位期间公开发表的论文 | 第70页 |