| 内容摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 第1章 导论 | 第12-17页 |
| ·研究背景 | 第12页 |
| ·国内外研究现状 | 第12-14页 |
| ·研究目标与研究意义 | 第14-15页 |
| ·研究目标 | 第14页 |
| ·研究意义 | 第14-15页 |
| ·研究内容 | 第15-16页 |
| ·本文组织结构 | 第16页 |
| ·本章小结 | 第16-17页 |
| 第2章 个性化推荐系统相关技术及简介 | 第17-26页 |
| ·个性化推荐系统概述 | 第17-19页 |
| ·个性化推荐系统简介 | 第17-18页 |
| ·个性化推荐系统的功能 | 第18页 |
| ·个性化推荐系统的构成 | 第18-19页 |
| ·个性化推荐的应用领域 | 第19-20页 |
| ·个性化推荐系统的总体框架 | 第20-23页 |
| ·个性化推荐的相关技术 | 第23-25页 |
| ·信息过滤 | 第23页 |
| ·数据挖掘 | 第23-24页 |
| ·其他 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第3章 传统的协同过滤推荐技术 | 第26-38页 |
| ·基于用户的协同过滤推荐技术 | 第26-28页 |
| ·用户档案 | 第26-27页 |
| ·用户最近邻居 | 第27-28页 |
| ·产生推荐结果 | 第28页 |
| ·基于项目的协同过滤推荐技术 | 第28-31页 |
| ·相似度的计算 | 第29-30页 |
| ·最近邻居集合 | 第30页 |
| ·推荐结果 | 第30-31页 |
| ·基于降维的协同过滤推荐技术 | 第31-33页 |
| ·奇异值分解技术 | 第31页 |
| ·奇异值分解过程 | 第31-33页 |
| ·基于聚类的协同过滤推荐技术 | 第33-35页 |
| ·用户空间聚类 | 第33-34页 |
| ·在线推荐 | 第34-35页 |
| ·协同过滤的优点与缺点 | 第35-37页 |
| ·优点 | 第35页 |
| ·缺点 | 第35-37页 |
| ·本章小结 | 第37-38页 |
| 第4章 基于用户特征模型的优化协同过滤推荐 | 第38-51页 |
| ·用户特征 | 第38-39页 |
| ·用户特征描述 | 第38页 |
| ·用户特征选择 | 第38-39页 |
| ·初始评分矩阵 | 第39-40页 |
| ·传统相似度计算的弊端 | 第40-41页 |
| ·基于用户特征模型的评分矩阵填充 | 第41-46页 |
| ·整体流程 | 第41页 |
| ·用户特征相似性模型 | 第41-44页 |
| ·评分矩阵的稀疏性问题 | 第44-45页 |
| ·用户相似度 | 第45-46页 |
| ·推荐结果 | 第46页 |
| ·实验与分析 | 第46-50页 |
| ·数据集及评价标准 | 第47页 |
| ·实验方案与结果分析 | 第47-50页 |
| ·本章小结 | 第50-51页 |
| 第5章 基于贝叶斯算法的优化协同过滤推荐 | 第51-57页 |
| ·用户对项目的兴趣度 | 第51-52页 |
| ·基于贝叶斯算法分析的用户特征值 | 第52-53页 |
| ·用户的最近邻居集合 | 第53页 |
| ·算法的详细步骤 | 第53-54页 |
| ·实验与分析 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 第6章 基于用户特征模型和兴趣度的优化协同过滤推荐 | 第57-63页 |
| ·组合推荐 | 第57页 |
| ·算法步骤 | 第57-60页 |
| ·实验与分析 | 第60-62页 |
| ·本章小结 | 第62-63页 |
| 第7章 总结与展望 | 第63-65页 |
| ·总结 | 第63-64页 |
| ·展望 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 后记 | 第68页 |