| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 研究现状 | 第11-15页 |
| 1.2.1 电子商务发展趋势 | 第11-13页 |
| 1.2.2 个性化技术应用现状 | 第13-15页 |
| 1.3 论文研究内容 | 第15-16页 |
| 1.4 论文结构安排 | 第16-17页 |
| 2 个性化推荐系统及相关技术概述 | 第17-30页 |
| 2.1 推荐系统概述 | 第17-20页 |
| 2.1.1 推荐系统的作用 | 第17-18页 |
| 2.1.2 推荐系统的分类 | 第18-19页 |
| 2.1.3 推荐系统的推荐方式 | 第19-20页 |
| 2.2 个性化推荐系统的基本构成 | 第20-21页 |
| 2.3 电子商务个性化推荐系统的框架结构 | 第21-23页 |
| 2.4 主要推荐技术介绍 | 第23-29页 |
| 2.4.1 基于用户的协同过滤推荐 | 第23-24页 |
| 2.4.2 基于项目的协同过滤推荐 | 第24-25页 |
| 2.4.3 基于关联规则的推荐 | 第25页 |
| 2.4.4 基于内容的推荐 | 第25-26页 |
| 2.4.5 基于人口统计信息的推荐 | 第26-27页 |
| 2.4.6 基于效用的推荐 | 第27页 |
| 2.4.7 基于知识的推荐 | 第27-28页 |
| 2.4.8 组合推荐 | 第28-29页 |
| 2.5 个性化推荐系统面临的挑战 | 第29页 |
| 2.6 小结 | 第29-30页 |
| 3 传统协同过滤技术研究与分析 | 第30-38页 |
| 3.1 协同过滤的定义 | 第30页 |
| 3.2 协同过滤推荐的分类 | 第30-31页 |
| 3.3 术语和符号 | 第31-32页 |
| 3.4 传统最近邻协同过滤推荐算法的过程 | 第32-35页 |
| 3.4.1 建立用户-项目评分矩阵 | 第32-33页 |
| 3.4.2 寻找邻居用户 | 第33-34页 |
| 3.4.3 生成推荐项目 | 第34-35页 |
| 3.5 传统最近邻协同过滤推荐算法存在的主要问题及改进方法 | 第35-37页 |
| 3.5.1 稀疏性 | 第35-36页 |
| 3.5.2 冷启动 | 第36页 |
| 3.5.3 可扩展性 | 第36页 |
| 3.5.4 托攻击 | 第36-37页 |
| 3.6 改进方法 | 第37页 |
| 3.7 小结 | 第37-38页 |
| 4 结合信任机制和用户偏好的协同过滤推荐算法 | 第38-45页 |
| 4.1 新算法的基本思想 | 第38页 |
| 4.2 相关概念 | 第38-40页 |
| 4.2.1 信任定义及其特征 | 第38-39页 |
| 4.2.2 用户偏好度 | 第39-40页 |
| 4.3 信任模型的设计 | 第40-42页 |
| 4.3.1 直接信任度 | 第40-41页 |
| 4.3.2 间接信任度 | 第41-42页 |
| 4.4 新算法产生邻居用户的过程 | 第42-43页 |
| 4.5 新算法的算法步骤 | 第43页 |
| 4.6 新算法实现推荐的整体流程 | 第43-44页 |
| 4.7 小结 | 第44-45页 |
| 5 实验设计与分析 | 第45-50页 |
| 5.1 实验数据集 | 第45页 |
| 5.2 度量标准 | 第45页 |
| 5.3 实验设计 | 第45-46页 |
| 5.3.1 实验环境 | 第45-46页 |
| 5.3.2 实验方案 | 第46页 |
| 5.4 实验结果分析 | 第46-49页 |
| 5.5 小结 | 第49-50页 |
| 6 总结与展望 | 第50-51页 |
| 6.1 总结 | 第50页 |
| 6.2 进一步的工作 | 第50-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 附录 | 第56页 |
| A. 作者在攻读学位期间发表的论文目录 | 第56页 |