| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 推荐系统研究现状 | 第12-16页 |
| 1.2.1 推荐系统概述 | 第12页 |
| 1.2.2 推荐算法分类 | 第12-13页 |
| 1.2.3 推荐系统面临的问题 | 第13-16页 |
| 1.3 本文的研究内容 | 第16页 |
| 1.4 文章组织结构 | 第16-18页 |
| 第二章 协同过滤推荐技术及冷启动问题 | 第18-29页 |
| 2.1 协同过滤推荐过程与基本方法 | 第18-23页 |
| 2.1.1 收集用户偏好 | 第18-20页 |
| 2.1.2 确定邻居集 | 第20-21页 |
| 2.1.3 生成推荐结果 | 第21-23页 |
| 2.2 协同过滤算法分类 | 第23页 |
| 2.3 协同过滤推荐算法存在的主要问题 | 第23-24页 |
| 2.4 冷启动问题 | 第24-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 相似度计算方法 | 第29-37页 |
| 3.1 传统相似度计算方法对比分析 | 第29-32页 |
| 3.2 改进相似度计算方法 | 第32-36页 |
| 3.2.1 用户评分相似度 | 第32页 |
| 3.2.2 个人评分倾向 | 第32-33页 |
| 3.2.3 置信度 | 第33-34页 |
| 3.2.4 冷启动相似度计算方法 | 第34-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第四章 基于FOA和K-means的聚类推荐算法 | 第37-49页 |
| 4.1 聚类算法 | 第37-40页 |
| 4.1.1 聚类算法基本原理 | 第37-38页 |
| 4.1.2 K-means聚类算法 | 第38-40页 |
| 4.2 果蝇优化算法(FOA) | 第40-42页 |
| 4.3 基于FOA和K-means的聚类推荐算法(FKCR) | 第42-46页 |
| 4.3.1 算法设计 | 第42-43页 |
| 4.3.2 聚类过程 | 第43-44页 |
| 4.3.3 查找最近邻居 | 第44-45页 |
| 4.3.4 生成推荐结果 | 第45-46页 |
| 4.4 针对冷启动的FOA和K-means聚类推荐算法(C-FKCR) | 第46-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 实验设计与结果分析 | 第49-58页 |
| 5.1 实验准备 | 第49-51页 |
| 5.1.1 实验数据集与环境 | 第49页 |
| 5.1.2 评价指标 | 第49-51页 |
| 5.2 实验结果与分析 | 第51-56页 |
| 5.2.1 改进的聚类算法性能验证 | 第51-53页 |
| 5.2.2 FKCR算法准确性验证 | 第53-54页 |
| 5.2.3 FKCR算法实时性验证 | 第54-55页 |
| 5.2.4 C-FKCR算法的冷启动性能验证 | 第55-56页 |
| 5.3 本章小结 | 第56-58页 |
| 第六章 结束语 | 第58-60页 |
| 6.1 总结 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 攻读硕士学位期间取得的研究成果 | 第65-66页 |
| 附件 | 第66页 |