| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 引言 | 第8-9页 |
| 1 概述 | 第9-15页 |
| 1．1 个性化信息服务产生的背景 | 第9-10页 |
| 1．2 个性化信息服务的研究意义 | 第10-11页 |
| 1．3 个性化推荐算法的分类 | 第11-13页 |
| 1．4 本文的主要工作及章节安排 | 第13-15页 |
| 2 基于合作的个性化推荐系统 | 第15-36页 |
| 2．1 研究现状 | 第15-16页 |
| 2．2 合作推荐算法介绍 | 第16-23页 |
| 2．2．1 基于模型的推荐算法 | 第16-17页 |
| 2．2．2 基于内存的推荐算法 | 第17-23页 |
| 2．3 面临的挑战 | 第23-24页 |
| 2．4 现有的解决方法 | 第24页 |
| 2．4．1 针对数据的高维稀疏性问题 | 第24页 |
| 2．4．2 针对算法的可扩展性问题 | 第24页 |
| 2．5 基于矩阵分块和兴趣方差的合作推荐算法MPIVCF | 第24-30页 |
| 2．5．1 矩阵分块 | 第26-27页 |
| 2．5．2 计算最近邻 | 第27-30页 |
| 2．5．3 产生推荐 | 第30页 |
| 2．6 实验及结果分析 | 第30-34页 |
| 2．6．1 实验数据 | 第30页 |
| 2．6．2 评价标准 | 第30-31页 |
| 2．6．3 实验及结果分析 | 第31-34页 |
| 2．7 总结与展望 | 第34-36页 |
| 3 基于内容的个性化推荐系统 | 第36-59页 |
| 3．1 传统的推荐系统存在的问题 | 第36页 |
| 3．2 研究现状 | 第36-37页 |
| 3．3 现有的个性化推荐系统使用的主要技术 | 第37-42页 |
| 3．3．1 用户模型数据的获取 | 第37页 |
| 3．3．2 用户模型的表示方法 | 第37-41页 |
| 3．3．3 用户建模技术的分类 | 第41-42页 |
| 3．4 基于 Ontology的个性化推荐系统 | 第42-55页 |
| 3．4．1 引入 Ontology的原因 | 第42-43页 |
| 3．4．2 Ontology概述 | 第43-48页 |
| 3．4．3 自动推荐系统的设计思想 | 第48页 |
| 3．4．4 系统框架 | 第48-49页 |
| 3．4．5 本体构建 | 第49-51页 |
| 3．4．6 提取特征向量 | 第51页 |
| 3．4．7 抽取兴趣模型 | 第51-53页 |
| 3．4．8 推荐信息 | 第53-54页 |
| 3．4．9 修正兴趣模型 | 第54-55页 |
| 3．5 实验及结果分析 | 第55-58页 |
| 3．5．1 实验数据来源 | 第55页 |
| 3．5．2 评价标准 | 第55-56页 |
| 3．5．3 实验及结果 | 第56-58页 |
| 3．6 总结和展望 | 第58-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 攻读硕士学位期间发表学术论文情况 | 第63-64页 |
| 致谢 | 第64-65页 |