| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-16页 |
| 1.1 论文背景和意义 | 第11-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 论文内容 | 第14页 |
| 1.4 论文结构 | 第14-16页 |
| 2 推荐系统核心技术与算法 | 第16-29页 |
| 2.1 推荐系统 | 第16页 |
| 2.2 个性化推荐技术 | 第16-19页 |
| 2.2.1 数据采集 | 第18页 |
| 2.2.2 数据预处理 | 第18-19页 |
| 2.2.3 模式分析 | 第19页 |
| 2.3 关联规则 | 第19-23页 |
| 2.3.1 关联规则的定义 | 第19-20页 |
| 2.3.2 基本概念 | 第20-21页 |
| 2.3.3 Apriori算法 | 第21-22页 |
| 2.3.4 Partition算法 | 第22-23页 |
| 2.4 协同过滤技术 | 第23-27页 |
| 2.4.1 协同过滤 | 第23-25页 |
| 2.4.2 K-means算法 | 第25-26页 |
| 2.4.3 常用的相似度公式 | 第26-27页 |
| 2.5 MapReduce算法 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 3 一种新的基于时间均度的加权关联规则算法 | 第29-43页 |
| 3.1 加权概念的提出 | 第29-30页 |
| 3.2 Partition算法缺陷的分析及改进 | 第30-33页 |
| 3.3 基于时间均度的加权关联规则 | 第33-37页 |
| 3.3.1 问题分析 | 第33-34页 |
| 3.3.2 基于时间均度的加权关联规则 | 第34-37页 |
| 3.4 数值计算与结果分析 | 第37-42页 |
| 3.5 本章小结 | 第42-43页 |
| 4 基于二进制循环指数的多重K-means协同过滤算法 | 第43-59页 |
| 4.1 协同过滤流程及缺陷 | 第43-46页 |
| 4.1.1 基于用户的协同过滤流程 | 第43-44页 |
| 4.1.2 基于项目的协同过滤流程 | 第44-45页 |
| 4.1.3 协同过滤技术的缺陷 | 第45-46页 |
| 4.2 协同过滤算法数据稀疏性的优化 | 第46-53页 |
| 4.2.1 稀疏矩阵的优化 | 第46-50页 |
| 4.2.2 问题分析 | 第50页 |
| 4.2.3 基于二进制循环指数的多重K-means协同过滤算法 | 第50-53页 |
| 4.3 数值计算与结果分析 | 第53-58页 |
| 4.4 本章小结 | 第58-59页 |
| 5 系统设计与实现 | 第59-65页 |
| 5.1 系统设计 | 第59-60页 |
| 5.2 系统实现与运行效果 | 第60-64页 |
| 5.3 本章小结 | 第64-65页 |
| 6 结论 | 第65-67页 |
| 6.1 结论 | 第65页 |
| 6.2 研究展望 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第70-72页 |
| 学位论文数据集 | 第72页 |