| 摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 第1章 绪论 | 第14-26页 |
| 1.1 论题背景 | 第14-17页 |
| 1.1.1 国外研究现状 | 第15-16页 |
| 1.1.2 国内研究现状 | 第16-17页 |
| 1.2 推荐系统的定义与服务人群 | 第17-24页 |
| 1.2.1 Amazon电子商务推荐系统分析 | 第18-21页 |
| 1.2.2 Youtube视频推荐系统分析 | 第21-22页 |
| 1.2.3 目前推荐系统的问题和现有解决方法 | 第22-24页 |
| 1.3 本人的工作和贡献 | 第24-25页 |
| 1.4 论文的组织和章节结构安排 | 第25-26页 |
| 第2章 推荐算法介绍 | 第26-32页 |
| 2.1 基于内容的推荐 | 第26-27页 |
| 2.2 协同过滤算法 | 第27-31页 |
| 2.2.1 USER-BASED算法 | 第29-30页 |
| 2.2.2 ITEM-BASED算法 | 第30-31页 |
| 2.3 本章小结 | 第31-32页 |
| 第3章 TDRecsys视频推荐系统的设计与实现 | 第32-59页 |
| 3.1 TDRecsys系统的流程和数据分析 | 第32-35页 |
| 3.1.1 TDReesys系统的流程 | 第32-34页 |
| 3.1.2 用户的行为日志 | 第34-35页 |
| 3.1.3 土豆网用户数据分析 | 第35页 |
| 3.2 系统的冷启动问题 | 第35-37页 |
| 3.3 数据的稀疏性分析 | 第37-38页 |
| 3.4 推荐多样性研究 | 第38-42页 |
| 3.4.1 用户兴趣源数据和知识库的选取 | 第38-40页 |
| 3.4.2 过滤历史记录 | 第40-41页 |
| 3.4.3 多模型组合 | 第41-42页 |
| 3.5 TDRecsys系统的推荐准确性研究 | 第42-46页 |
| 3.5.1 视频噪音数据的过滤 | 第42-43页 |
| 3.5.2 距离公式的修正 | 第43-44页 |
| 3.5.3 推荐视频的质量控制与排序 | 第44-46页 |
| 3.6 TDRecsys推荐系统需求分析 | 第46-48页 |
| 3.7 TDRecsys推荐系统的概要设计 | 第48-50页 |
| 3.8 TDRecsys推荐系统具体设计 | 第50-58页 |
| 3.8.1 系统的开发环境 | 第50-51页 |
| 3.8.2 数据模块 | 第51页 |
| 3.8.3 离线模块 | 第51-55页 |
| 3.8.4 TDRecsys推荐系统在线模块的实现 | 第55-57页 |
| 3.8.5 服务器负载均衡模块和前端模块 | 第57-58页 |
| 3.9 本章小结 | 第58-59页 |
| 第4章 TDRecsys推荐系统的评估 | 第59-71页 |
| 4.1 常用的推荐系统评估方法 | 第59-60页 |
| 4.2 TDRecsys推荐系统的评估方法 | 第60-62页 |
| 4.2.1 改进TopN评估法 | 第60-61页 |
| 4.2.2 CRT点击率评估方法 | 第61-62页 |
| 4.3 TDRecsys系统的性能评估 | 第62-69页 |
| 4.3.1 使用协同过滤算法的效果评估 | 第62-63页 |
| 4.3.2 冷启动问题的评估 | 第63-64页 |
| 4.3.3 数据稀疏性修改后对系统的性能评估 | 第64-65页 |
| 4.3.4 推荐的多样性与推荐策略评估 | 第65-66页 |
| 4.3.5 混合推荐的评估 | 第66页 |
| 4.3.6 过滤噪音对TDRecsys推荐系统的影响评估 | 第66-67页 |
| 4.3.7 距离公式评估 | 第67-68页 |
| 4.3.8 推荐视频的质量控制与视频排序评估 | 第68-69页 |
| 4.4 TDRecsys推荐系统整体评估 | 第69-70页 |
| 4.5 小结 | 第70-71页 |
| 第5章 总结与展望 | 第71-75页 |
| 5.1 成果展示 | 第71-72页 |
| 5.2 论文工作总结 | 第72-73页 |
| 5.3 系统改进方向 | 第73-74页 |
| 5.4 课题研究的心得体会 | 第74-75页 |
| 参考文献 | 第75-78页 |
| 致谢 | 第78-79页 |
| 学位论文评阅及答辩情况表 | 第79页 |