| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究意义 | 第10页 |
| 1.3 研究现状 | 第10-11页 |
| 1.4 论文结构 | 第11-13页 |
| 第二章 上下文与推荐系统概述 | 第13-39页 |
| 2.1 推荐系统概述 | 第13-29页 |
| 2.1.1 推荐系统基本概念 | 第13-14页 |
| 2.1.2 推荐系统传统算法 | 第14-26页 |
| 2.1.3 推荐系统的解释性 | 第26-29页 |
| 2.2 上下文推荐系统 | 第29-32页 |
| 2.2.1 普适计算 | 第29页 |
| 2.2.2 上下文基本概念 | 第29-31页 |
| 2.2.3 上下文推荐系统定义 | 第31-32页 |
| 2.3 上下文推荐系统应用 | 第32-34页 |
| 2.4 上下文信息的获取与过滤 | 第34-37页 |
| 2.4.1 上下文信息的获取 | 第34页 |
| 2.4.2 上下文信息的过滤 | 第34-37页 |
| 2.5 本章小结 | 第37-39页 |
| 第三章 协同过滤算法改进 | 第39-57页 |
| 3.1 SVD模型 | 第39-41页 |
| 3.1.1 SVD模型定义 | 第39-40页 |
| 3.1.2 矩阵分解 | 第40-41页 |
| 3.2 user-user模型 | 第41-43页 |
| 3.2.1 相似度 | 第41-42页 |
| 3.2.2 近邻 | 第42-43页 |
| 3.3 改进的协同过滤算法 | 第43-50页 |
| 3.3.1 SVD模型与user-user模型融合 | 第43-46页 |
| 3.3.2 时间动态因素 | 第46-47页 |
| 3.3.3 融入上下文信息 | 第47-50页 |
| 3.4 实验结论 | 第50-56页 |
| 3.4.1 实验衡量指标 | 第50-51页 |
| 3.4.2 MovieLens数据集 | 第51页 |
| 3.4.3 实验结果 | 第51-56页 |
| 3.5 总结 | 第56-57页 |
| 第四章 视频推荐应用 | 第57-73页 |
| 4.1 应用整体概述 | 第57-59页 |
| 4.1.1 开发环境 | 第57页 |
| 4.1.2 系统总体逻辑结构图 | 第57-59页 |
| 4.2 应用算法 | 第59-66页 |
| 4.2.1 改进推荐算法设计 | 第59-62页 |
| 4.2.2 最新更新算法设计 | 第62页 |
| 4.2.3 热播算法设计 | 第62-64页 |
| 4.2.4 搜索算法设计 | 第64-66页 |
| 4.3 应用功能模块设计与实现 | 第66-67页 |
| 4.3.1 应用功能模块说明 | 第66页 |
| 4.3.2 数据结构说明 | 第66-67页 |
| 4.4 主要成果展示 | 第67-72页 |
| 4.4.1 最近更新模块和热播视频模块 | 第67-68页 |
| 4.4.2 推荐视频模块 | 第68-69页 |
| 4.4.3 搜索模块 | 第69-70页 |
| 4.4.4 评论模块 | 第70-72页 |
| 4.5 总结 | 第72-73页 |
| 第五章 总结与展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-81页 |
| 攻读学位期间发表的学术论文目录 | 第81页 |