| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-19页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 用户画像 | 第12-13页 |
| 1.2.2 个性化推荐 | 第13-15页 |
| 1.2.3 国内外研究评述 | 第15-16页 |
| 1.3 研究内容、创新点和技术路线 | 第16-19页 |
| 1.3.1 研究内容和框架安排 | 第16-17页 |
| 1.3.2 研究创新点 | 第17-18页 |
| 1.3.3 研究技术路线 | 第18-19页 |
| 2 相关理论综述 | 第19-30页 |
| 2.1 用户画像技术 | 第19-21页 |
| 2.1.1 用户画像的定义 | 第19-20页 |
| 2.1.2 用户画像特性 | 第20页 |
| 2.1.3 用户画像与电影推荐的逻辑关系 | 第20-21页 |
| 2.2 主流的个性化推荐算法 | 第21-27页 |
| 2.2.1 基于内容的推荐 | 第22-23页 |
| 2.2.2 协同过滤算法 | 第23-25页 |
| 2.2.3 混合推荐算法 | 第25-27页 |
| 2.3 推荐系统的评测方法 | 第27-29页 |
| 2.3.1 推荐系统评测的试验方法 | 第27-28页 |
| 2.3.2 推荐评测指标 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 3 用户画像研究 | 第30-40页 |
| 3.1 用户画像流程 | 第30-31页 |
| 3.2 用户画像的数据来源分析 | 第31-32页 |
| 3.2.1 静态数据 | 第31页 |
| 3.2.2 动态数据 | 第31-32页 |
| 3.3 用户画像模型的建立 | 第32-38页 |
| 3.3.1 用户画像分析 | 第32-33页 |
| 3.3.2 基于向量空间模型的用户画像建模 | 第33-35页 |
| 3.3.3 用户画像聚类 | 第35-38页 |
| 3.4 用户画像与协同过滤融合的推荐算法 | 第38-39页 |
| 3.5 本章小结 | 第39-40页 |
| 4 基于SVR的协同过滤与用户画像的混合推荐算法 | 第40-47页 |
| 4.1 协同过滤算法稀疏性问题分析 | 第40页 |
| 4.2 基于SVR改进的协同过滤算法 | 第40-45页 |
| 4.2.1 支持向量回归SVR | 第40-42页 |
| 4.2.2 基于SVR改进的协同过滤算法 | 第42-45页 |
| 4.3 基于SVR的协同过滤与用户画像的混合推荐算法 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 5 实证研究 | 第47-57页 |
| 5.1 实验准备 | 第47-49页 |
| 5.1.1 数据来源 | 第47-49页 |
| 5.1.2 实验环境和衡量标准 | 第49页 |
| 5.2 实验结果及分析 | 第49-55页 |
| 5.2.1 最近邻居数K的确定 | 第49-51页 |
| 5.2.2 平均绝对误差(MAE)实验结果 | 第51-52页 |
| 5.2.3 推荐效果比较 | 第52-54页 |
| 5.2.4 推荐系统运行时间比较 | 第54-55页 |
| 5.3 本章小结 | 第55-57页 |
| 6 总结与展望 | 第57-59页 |
| 6.1 研究总结 | 第57页 |
| 6.2 研究展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 个人简历、在校期间发表的学术论文与研究成果 | 第63-64页 |
| 致谢 | 第64页 |