| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 前言 | 第8-11页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 研究内容 | 第9-10页 |
| 1.2.1 研究目的 | 第9页 |
| 1.2.2 主要工作 | 第9-10页 |
| 1.2.3 论文组织 | 第10页 |
| 1.3 本章小结 | 第10-11页 |
| 2 相关研究 | 第11-23页 |
| 2.1 推荐系统 | 第11-15页 |
| 2.1.1 推荐系统的概念及分类 | 第11-14页 |
| 2.1.2 用户相似度计算方法 | 第14页 |
| 2.1.3 推荐系统评价指标 | 第14-15页 |
| 2.1.4 推荐系统的应用 | 第15页 |
| 2.2 协同过滤算法 | 第15-17页 |
| 2.2.1 协同过滤算法的概念及分类 | 第16-17页 |
| 2.2.2 协同过滤算法的产生与发展 | 第17页 |
| 2.3 评论挖掘简单介绍 | 第17-19页 |
| 2.3.1 评论挖掘的概念 | 第17-18页 |
| 2.3.2 评论挖掘的研究现状 | 第18-19页 |
| 2.4 基于上下文的推荐算法 | 第19-21页 |
| 2.4.1 上下文的概念 | 第19页 |
| 2.4.2 上下文的获取 | 第19页 |
| 2.4.3 基于上下文的推荐算法概念及分类 | 第19-21页 |
| 2.4.4 基于上下文的推荐算法研究现状 | 第21页 |
| 2.5 本章小结 | 第21-23页 |
| 3 融合上下文和评论信息的推荐算法研究 | 第23-31页 |
| 3.1 评论信息挖掘 | 第23-25页 |
| 3.1.1 基本的自然语言预处理 | 第23-25页 |
| 3.1.2 餐厅特征提取 | 第25页 |
| 3.2 数据建模 | 第25-27页 |
| 3.2.1 用户评分模型的表示 | 第25页 |
| 3.2.2 改进的空值填补法 | 第25-26页 |
| 3.2.3 评分标准化处理 | 第26-27页 |
| 3.3 用户相似度计算 | 第27-29页 |
| 3.3.1 引入时间效用的用户相似度计算 | 第27-28页 |
| 3.3.2 融合用户信任度的相似度计算 | 第28-29页 |
| 3.4 用户偏好预测 | 第29-30页 |
| 3.5 本章小结 | 第30-31页 |
| 4 融合上下文和评论信息的推荐算法验证与分析 | 第31-35页 |
| 4.1 评价指标 | 第31页 |
| 4.2 实验数据 | 第31页 |
| 4.3 融合上下文和评论信息的推荐算法实现 | 第31-34页 |
| 4.3.1 实验前准备工作 | 第31-32页 |
| 4.3.2 实验描述及结果分析 | 第32-34页 |
| 4.4 本章小结 | 第34-35页 |
| 5 融合上下文和评论信息的美食推荐系统的设计与实现 | 第35-51页 |
| 5.1 系统分析 | 第35-39页 |
| 5.1.1 系统总体结构 | 第35-36页 |
| 5.1.2 功能模块分析及主要流程设计 | 第36-39页 |
| 5.2 系统开发 | 第39-45页 |
| 5.2.1 开发平台及技术架构 | 第39-43页 |
| 5.2.2 系统的测试与分析 | 第43-45页 |
| 5.3 系统主要功能界面 | 第45-50页 |
| 5.3.1 前台主要功能界面 | 第45-47页 |
| 5.3.2 后台主要功能界面 | 第47-49页 |
| 5.3.3 数据库设计的主要界面 | 第49-50页 |
| 5.4 本章小结 | 第50-51页 |
| 6 结论与展望 | 第51-53页 |
| 6.1 工作总结 | 第51-52页 |
| 6.2 研究展望 | 第52-53页 |
| 7 参考文献 | 第53-59页 |
| 8 攻读硕士学位期间论文发表情况 | 第59-60页 |
| 9 致谢 | 第60页 |