| 第一章 引言 | 第1-10页 |
| 1．1 研究背景 | 第7-8页 |
| 1．1．1 电子商务推荐系统 | 第7页 |
| 1．1．2 解决“信息超载”问题的主要技术 | 第7-8页 |
| 1．2 本文的主要研究内容 | 第8-9页 |
| 1．3 本文组织 | 第9-10页 |
| 第二章 电子商务推荐系统 | 第10-16页 |
| 2．1 电子商务推荐系统简介 | 第10页 |
| 2．2 电子商务推荐系统的分类 | 第10-13页 |
| 2．2．1 推荐系统的界面表现形式 | 第11页 |
| 2．2．2 推荐系统的输入方式 | 第11-12页 |
| 2．2．3 推荐系统使用技术 | 第12-13页 |
| 2．3 电子商务推荐系统技术 | 第13-15页 |
| 2．3．1 贝叶斯网络 | 第13-14页 |
| 2．3．2 关联规则 | 第14页 |
| 2．3．3 聚类 | 第14-15页 |
| 2．3．4 Horting图 | 第15页 |
| 2．3．5 协同过滤 | 第15页 |
| 2．4 小结 | 第15-16页 |
| 第三章 协同过滤及其在电子商务推荐系统中的应用 | 第16-24页 |
| 3．1 协同过滤 | 第16-21页 |
| 3．3．1 协同过滤的优缺点 | 第16-17页 |
| 3．3．2 协同过滤的实现 | 第17-19页 |
| 3．3．3 协同过滤中邻居形成及相似性度量 | 第19-21页 |
| 3．2 协同过滤算法 | 第21-23页 |
| 3．3 小结 | 第23-24页 |
| 第四章 协同过滤在电子商务推荐系统应用中存在的问题 | 第24-36页 |
| 4．1 协同过滤在推荐系统应用中存在的问题 | 第24-27页 |
| 4．1．1 数据稀疏性（Sparsity）问题 | 第24-25页 |
| 4．1．2 算法的可扩展性（scalability）问题 | 第25-27页 |
| 4．2 现有的解决方法 | 第27-35页 |
| 4．2．1 LSI/SVD降维 | 第27-30页 |
| 4．2．2 特征加权（Feature weighting） | 第30-32页 |
| 4．2．3 用户的筛选 | 第32-34页 |
| 4．2．4 其它方法 | 第34-35页 |
| 4．3 小结 | 第35-36页 |
| 第五章 协同过滤算法的改进 | 第36-49页 |
| 5．1 算法改进的前提 | 第36-42页 |
| 5．1．1 基于项的协同过滤算法的提出与应用 | 第36-42页 |
| 5．2 算法改进的依据 | 第42-49页 |
| 第六章 实验与评价 | 第49-56页 |
| 6．1 实验目的 | 第49页 |
| 6．2 实验数据来源及实验环境 | 第49页 |
| 6．3 实验评价标准 | 第49-50页 |
| 6．4 实验方案 | 第50-51页 |
| 6．5 实验及性能比较 | 第51-55页 |
| 6．6 小结 | 第55-56页 |
| 第七章 总结与展望 | 第56-58页 |
| 7．1 本文的主要工作 | 第56页 |
| 7．2 未来的工作 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61页 |
