| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 引言 | 第7-11页 |
| 1.1 研究背景及课题意义 | 第7-8页 |
| 1.2 目前研究面临的主要问题 | 第8-9页 |
| 1.3 本文主要内容及章节安排 | 第9-11页 |
| 第2章 相关理论概述 | 第11-15页 |
| 2.1 数据挖掘概述 | 第11-12页 |
| 2.1.1 数据挖掘的概念 | 第11页 |
| 2.1.2 数据挖掘的价值 | 第11-12页 |
| 2.2 个性化推荐概述 | 第12-13页 |
| 2.3 个性化推荐的基本原理 | 第13-14页 |
| 2.3.1 输入模块 | 第13-14页 |
| 2.3.2 推荐模块 | 第14页 |
| 2.3.3 输出模块 | 第14页 |
| 2.4 本章小结 | 第14-15页 |
| 第3章 个性化推荐算法研究 | 第15-32页 |
| 3.1 常见的个性化推荐技术 | 第15-24页 |
| 3.1.1 协同过滤推荐算法 | 第15-17页 |
| 3.1.2 基于内容的推荐算法 | 第17-19页 |
| 3.1.3 基于关联规则的推荐算法 | 第19-22页 |
| 3.1.4 基于网络结构的推荐算法 | 第22-24页 |
| 3.1.5 基于效用的推荐算法 | 第24页 |
| 3.2 各种推荐算法之间的比较 | 第24-27页 |
| 3.3 个性化推荐现状与发展 | 第27-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 智慧社区个性化推荐算法 | 第32-45页 |
| 4.1 基于时间加权的推荐算法研究 | 第32-34页 |
| 4.2 社区概念的引入 | 第34页 |
| 4.3 融合社区因子和时间加权的推荐算法CTCF | 第34-37页 |
| 4.3.1 改进思路 | 第34页 |
| 4.3.2 社区因子的提取 | 第34-35页 |
| 4.3.3 基于社区因子的用户相似度计算 | 第35-36页 |
| 4.3.4 融合社区因子和时间加权的推荐算法CTCF | 第36-37页 |
| 4.4 实验方案与结果分析 | 第37-44页 |
| 4.4.1 实验数据集介绍 | 第37-38页 |
| 4.4.2 实验评估标准 | 第38-39页 |
| 4.4.3 实验方案 | 第39页 |
| 4.4.4 实验结果分析 | 第39-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 智慧社区个性化推荐系统的实现 | 第45-57页 |
| 5.1 智慧社区个性化推荐系统的目标 | 第45页 |
| 5.2 其他推荐系统架构现状分析 | 第45-46页 |
| 5.3 智慧社区个性化推荐模型设计 | 第46-54页 |
| 5.3.1 总体架构设计 | 第46-48页 |
| 5.3.2 数据预处理系统 | 第48-49页 |
| 5.3.3 推荐子系统 | 第49-51页 |
| 5.3.4 前端展示子系统 | 第51-54页 |
| 5.4 数据库设计 | 第54-55页 |
| 5.5 系统运行页面 | 第55-56页 |
| 5.6 本章小结 | 第56-57页 |
| 第6章 论文总结与展望 | 第57-59页 |
| 6.1 论文总结 | 第57-58页 |
| 6.2 工作展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 攻读学位期间的研究成果 | 第64页 |