| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 国内外研究现状及难点问题 | 第11-12页 |
| 1.2.1 国内外研究现状 | 第11页 |
| 1.2.2 研究的难点问题 | 第11-12页 |
| 1.3 主要研究内容 | 第12页 |
| 1.4 论文结构安排 | 第12-14页 |
| 第二章 个性化推荐系统及相关算法 | 第14-20页 |
| 2.1 个性化推荐系统概述 | 第14-15页 |
| 2.2 协同过滤推荐算法 | 第15-18页 |
| 2.2.1 基于用户的协同过滤 | 第15-16页 |
| 2.2.2 基于物品的协同过滤 | 第16-18页 |
| 2.3 评估 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 结合用户历史偏好和物品特征信息的协同过滤推荐算法 | 第20-31页 |
| 3.1 当前问题与分析 | 第20-21页 |
| 3.1.1 数据稀疏性问题 | 第20-21页 |
| 3.1.2 物品冷启动问题 | 第21页 |
| 3.1.3 问题分析 | 第21页 |
| 3.2 改进计算物品相似度的思路 | 第21-25页 |
| 3.2.1 使用物品特征进行物品间相似度计算 | 第21-22页 |
| 3.2.2 使用信息熵计算各个物品特征的重要性 | 第22-24页 |
| 3.2.3 加入权重因子的物品相似度计算 | 第24-25页 |
| 3.3 结合用户历史偏好和物品特征信息的协同过滤算法 | 第25-27页 |
| 3.4 实验分析 | 第27-30页 |
| 3.4.1 实验数据 | 第27页 |
| 3.4.2 评测指标 | 第27-28页 |
| 3.4.3 实验设置 | 第28页 |
| 3.4.4 实验结果及分析 | 第28-30页 |
| 3.5 小结 | 第30-31页 |
| 第四章 结合用户聚类和特征获取的用户冷启动推荐算法 | 第31-41页 |
| 4.1 新用户冷启动问题 | 第31-32页 |
| 4.2 结合K-means聚类和用户特征获取的KCMC算法 | 第32-36页 |
| 4.2.1 用户特征描述与用户的相似性矩阵计算 | 第32页 |
| 4.2.2 用户聚类 | 第32-34页 |
| 4.2.3 寻找新用户簇并进行Top-N推荐 | 第34-36页 |
| 4.3 实验分析 | 第36-40页 |
| 4.3.1 实验数据 | 第36-37页 |
| 4.3.2 实验设置 | 第37页 |
| 4.3.3 实验结果及分析 | 第37-40页 |
| 4.4 小结 | 第40-41页 |
| 第五章 商城推荐系统设计与实现 | 第41-52页 |
| 5.1 推荐子系统需求分析 | 第41-42页 |
| 5.2 系统设计 | 第42-47页 |
| 5.2.1 系统架构 | 第43-44页 |
| 5.2.2 推荐模块设计 | 第44-45页 |
| 5.2.3 数据库设计 | 第45-47页 |
| 5.3 商品推荐子系统实现 | 第47-51页 |
| 5.4 小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52页 |
| 6.2 展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 发表论文和科研情况说明 | 第57-58页 |
| 致谢 | 第58页 |
