| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题的背景意义及提出 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 国内研究现状 | 第12-13页 |
| 1.2.2 国外研究现状 | 第13-14页 |
| 1.3 主要研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 协同过滤推荐概述 | 第17-26页 |
| 2.1 基于模型的协同过滤推荐 | 第17-18页 |
| 2.1.1 基于贝叶斯网络的协同过滤推荐 | 第17页 |
| 2.1.2 基于聚类的协同过滤推荐 | 第17-18页 |
| 2.1.3 基于矩阵分解的协同过滤推荐 | 第18页 |
| 2.1.4 优缺点分析 | 第18页 |
| 2.2 基于内存的协同过滤推荐 | 第18-23页 |
| 2.2.1 基于用户的协同过滤推荐 | 第19-21页 |
| 2.2.2 基于项目的协同过滤推荐 | 第21-22页 |
| 2.2.3 优缺点分析 | 第22-23页 |
| 2.3 推荐算法的评价准则 | 第23-25页 |
| 2.3.1 预测评分精确性 | 第23页 |
| 2.3.2 推荐列表准确性 | 第23-24页 |
| 2.3.3 排序准确性 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于项目属性的多矩阵协同过滤推荐算法 | 第26-37页 |
| 3.1 属性值的选取方法 | 第27-29页 |
| 3.1.1 单值属性 | 第27-28页 |
| 3.1.2 多值属性 | 第28-29页 |
| 3.2 用户-项目属性值评分的构建方法 | 第29-32页 |
| 3.2.1 均值法 | 第30页 |
| 3.2.2 缩放法 | 第30-32页 |
| 3.3 属性的选取准则 | 第32-33页 |
| 3.3.1 数据稀疏度 | 第33页 |
| 3.3.2 数据减少度 | 第33页 |
| 3.4 初步评分权重的确定方法 | 第33-36页 |
| 3.4.1 主观赋权法 | 第34-35页 |
| 3.4.2 客观赋权法 | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 实验与分析 | 第37-59页 |
| 4.1 推荐数据集简介 | 第37-38页 |
| 4.1.1 MovieLens数据集 | 第37页 |
| 4.1.2 Book Crossing数据集 | 第37页 |
| 4.1.3 Jester数据集 | 第37-38页 |
| 4.1.4 Delicious数据集 | 第38页 |
| 4.1.5 Last.Fm数据集 | 第38页 |
| 4.2 实验环境 | 第38页 |
| 4.3 实验方案 | 第38-39页 |
| 4.4 实验的具体实现 | 第39-47页 |
| 4.4.1 评分构建 | 第40页 |
| 4.4.2 数据稀疏度计算 | 第40-41页 |
| 4.4.3 相似度计算 | 第41-42页 |
| 4.4.4 项目推荐 | 第42-44页 |
| 4.4.5 初步评分及MAE计算 | 第44-45页 |
| 4.4.6 单属性推荐的批量计算 | 第45-46页 |
| 4.4.7 多属性推荐的批量计算 | 第46页 |
| 4.4.8 标签值选取方法的实现 | 第46-47页 |
| 4.5 实验评分矩阵描述 | 第47-48页 |
| 4.6 实验对比分析 | 第48-58页 |
| 4.6.1 初步评分与传统协同过滤推荐算法的推荐精度对比 | 第48-51页 |
| 4.6.2 全属性综合评分与传统协同过滤推荐算法的推荐精度对比 | 第51-53页 |
| 4.6.3 部分属性综合评分与传统协同过滤推荐算法精度的影响 | 第53-54页 |
| 4.6.4 本文算法与传统协同过滤推荐算法的时间效率对比 | 第54-56页 |
| 4.6.5 本文算法与传统协同过滤推荐算法的空间效率对比 | 第56-57页 |
| 4.6.6 冷启动用户推荐 | 第57-58页 |
| 4.7 本章小结 | 第58-59页 |
| 总结与展望 | 第59-61页 |
| 1 主要工作及结论 | 第59-60页 |
| 2 未来工作展望 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 攻读硕士学位期间取得的学术成果 | 第67-68页 |
| 致谢 | 第68-69页 |
