| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1 引言 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 论文章节安排 | 第14-16页 |
| 2 推荐系统相关理论介绍 | 第16-31页 |
| 2.1 推荐系统简介 | 第16-17页 |
| 2.2 推荐技术概述 | 第17-20页 |
| 2.2.1 基于内容推荐 | 第17-18页 |
| 2.2.2 基于人口统计学的推荐 | 第18页 |
| 2.2.3 协同过滤推荐 | 第18-19页 |
| 2.2.4 基于关联规则的推荐 | 第19-20页 |
| 2.2.5 组合推荐 | 第20页 |
| 2.3 协同过滤算法 | 第20-30页 |
| 2.3.1 基于内存的协同过滤 | 第22-27页 |
| 2.3.2 基于模型的协同过滤 | 第27-28页 |
| 2.3.3 协同过滤算法存在的问题及解决方案 | 第28-30页 |
| 2.4 聚类算法在协同过滤推荐过程中的应用 | 第30页 |
| 2.5 本章小结 | 第30-31页 |
| 3 改进的K-means用户聚类算法 | 第31-42页 |
| 3.1 基于最小生成树改进的K-means聚类算法 | 第31-38页 |
| 3.1.1 问题描述以及聚类中心选择方法 | 第31-32页 |
| 3.1.2 K-means算法介绍 | 第32-34页 |
| 3.1.3 改进算法的提出 | 第34-38页 |
| 3.2 实验及结果分析 | 第38-41页 |
| 3.2.1 实验数据 | 第38-39页 |
| 3.2.2 评价标准 | 第39-40页 |
| 3.2.3 结果分析 | 第40-41页 |
| 3.3 本章小结 | 第41-42页 |
| 4 改进的数据预填充算法 | 第42-50页 |
| 4.1 基于用户相似度改进的数据预填充算法 | 第42-46页 |
| 4.1.1 现有的数据预填充方法 | 第42页 |
| 4.1.2 改进算法的提出 | 第42-43页 |
| 4.1.3 传统的Tanimoto系数 | 第43-44页 |
| 4.1.4 改进的Tanimoto系数 | 第44-45页 |
| 4.1.5 根据改进的Tanimoto系数预测填充 | 第45页 |
| 4.1.6 改进算法的具体流程 | 第45-46页 |
| 4.2 实验及结果分析 | 第46-49页 |
| 4.2.1 实验数据 | 第46页 |
| 4.2.2 评价标准 | 第46页 |
| 4.2.3 结果分析 | 第46-49页 |
| 4.3 本章小结 | 第49-50页 |
| 5 改进的组合算法 | 第50-53页 |
| 5.1 改进的组合协同过滤算法 | 第50-51页 |
| 5.1.1 算法的提出 | 第50页 |
| 5.1.2 组合算法的实现过程 | 第50-51页 |
| 5.2 实验及结果分析 | 第51-52页 |
| 5.2.1 实验数据 | 第51页 |
| 5.2.2 评价标准 | 第51页 |
| 5.2.3 结果分析 | 第51-52页 |
| 5.3 本章小结 | 第52-53页 |
| 6 总结与展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第59-61页 |
| 学位论文数据集 | 第61页 |