| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景、意义 | 第9-10页 |
| 1.2 推荐系统国内外相关研究 | 第10-11页 |
| 1.2.1 推荐系统的起源与发展 | 第10-11页 |
| 1.2.2 推荐算法国内外研究状况 | 第11页 |
| 1.3 本文的主要工作和组织结构 | 第11-14页 |
| 1.3.1 本文的主要工作与创新点 | 第11-12页 |
| 1.3.2 本文的组织结构 | 第12-14页 |
| 第二章 推荐系统及相关技术 | 第14-28页 |
| 2.1 推荐系统概述 | 第14-16页 |
| 2.2 推荐算法及技术 | 第16-19页 |
| 2.2.1 基于人口统计学的推荐算法 | 第16页 |
| 2.2.2 基于内容的推荐算法 | 第16-17页 |
| 2.2.3 基于规则的推荐算法 | 第17页 |
| 2.2.4 基于协同过滤的推荐算法 | 第17-18页 |
| 2.2.5 推荐算法的对比 | 第18-19页 |
| 2.3 协同过滤推荐算法的研究与分析 | 第19-26页 |
| 2.3.1 基于用户的协同过滤算法 | 第19-21页 |
| 2.3.2 基于项目的协同过滤算法 | 第21-22页 |
| 2.3.3 基于模型的协同过滤推荐算法 | 第22-26页 |
| 2.4 协同过滤推荐技术的关键问题 | 第26-27页 |
| 2.4.1 准确性问题 | 第26页 |
| 2.4.2 扩展性问题 | 第26页 |
| 2.4.3 数据稀疏性问题 | 第26页 |
| 2.4.4 实时动态性问题 | 第26-27页 |
| 2.4.5 冷启动问题 | 第27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于项目属性与用户兴趣协同过滤算法研究 | 第28-37页 |
| 3.1 基于项目属性改进相似性计算方法的研究 | 第28-33页 |
| 3.1.1 传统相似性方法的稀疏性问题分析 | 第29-31页 |
| 3.1.2 基于项目属性改进的相似性方法 | 第31-33页 |
| 3.2 基于用户兴趣改进推荐算法流程的研究 | 第33-36页 |
| 3.2.1 传统算法无法反应用户兴趣变化缺陷的分析 | 第33-34页 |
| 3.2.2 基于用户兴趣改进的推荐算法流程 | 第34-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第四章 实验设计与结果分析 | 第37-44页 |
| 4.1 实验数据集和环境 | 第37-38页 |
| 4.1.1 实验数据集介绍 | 第37-38页 |
| 4.1.2 实验数据集的选择 | 第38页 |
| 4.1.3 实验的运行环境 | 第38页 |
| 4.2 实验评估指标 | 第38-39页 |
| 4.3 实验设计与结果分析 | 第39-43页 |
| 4.3.1 实验目的 | 第39页 |
| 4.3.2 实验设计与结果分析 | 第39-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 基于改进算法的原型推荐系统设计 | 第44-51页 |
| 5.1 推荐系统结构 | 第44-46页 |
| 5.2 系统推荐流程 | 第46-47页 |
| 5.3 推荐系统实现 | 第47-50页 |
| 5.3.1 推荐系统主要类关系 | 第47-48页 |
| 5.3.2 推荐系统表结构 | 第48-50页 |
| 5.3.3 推荐系统界面 | 第50页 |
| 5.4 本章小结 | 第50-51页 |
| 第六章 结论与展望 | 第51-52页 |
| 6.1 结论 | 第51页 |
| 6.2 展望 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 攻读学位期间所取得的相关科研成果 | 第55-56页 |
| 致谢 | 第56-57页 |