| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 主要符号表 | 第17-18页 |
| 1 绪论 | 第18-31页 |
| 1.1 研究背景与意义 | 第18-27页 |
| 1.1.1 实际背景 | 第21-25页 |
| 1.1.2 存在的问题 | 第25-27页 |
| 1.2 本文的研究内容和思路 | 第27-31页 |
| 1.2.1 问题与研究 | 第27-29页 |
| 1.2.2 结构安排 | 第29-31页 |
| 2 推荐算法研究综述 | 第31-45页 |
| 2.1 背景简述 | 第31-32页 |
| 2.2 协同过滤推荐算法 | 第32-40页 |
| 2.2.1 协同过滤推荐算法简介 | 第32-35页 |
| 2.2.2 基于内存的协同过滤推荐算法 | 第35-38页 |
| 2.2.3 基于模型的协同过滤推荐算法 | 第38-39页 |
| 2.2.4 混合式协同过滤推荐算法 | 第39-40页 |
| 2.3 其他类型的推荐算法 | 第40-44页 |
| 2.3.1 基于内容的推荐算法 | 第40-43页 |
| 2.3.2 基于规则的推荐算法 | 第43-44页 |
| 2.4 本章小结 | 第44-45页 |
| 3 多因素综合协同过滤推荐算法框架 | 第45-54页 |
| 3.1 传统协同过滤推荐算法框架 | 第45-47页 |
| 3.1.1 传统框架的二分网络模型 | 第45-46页 |
| 3.1.2 传统框架的步骤 | 第46-47页 |
| 3.1.3 传统框架的局限 | 第47页 |
| 3.2 多因素综合协同过滤推荐算法框架原理 | 第47-51页 |
| 3.2.1 多种研究因素介绍 | 第48页 |
| 3.2.2 不同研究框架基本流程对比 | 第48-50页 |
| 3.2.3 新框架的多因素综合网络模型 | 第50-51页 |
| 3.3 多因素综合协同过滤推荐算法框架步骤 | 第51-52页 |
| 3.4 优缺点对比 | 第52-53页 |
| 3.5 本章小结 | 第53-54页 |
| 4 迭代相似度协同过滤推荐算法研究 | 第54-90页 |
| 4.1 标准迭代相似度协同过滤推荐算法 | 第54-62页 |
| 4.1.1 数据稀疏问题的引出 | 第54-55页 |
| 4.1.2 迭代相似度概念提出 | 第55-56页 |
| 4.1.3 迭代相似度协同过滤推荐算法实现步骤 | 第56-62页 |
| 4.1.4 算法复杂度 | 第62页 |
| 4.2 基于多因素修正的迭代相似度改进算法 | 第62-67页 |
| 4.2.1 待修正问题 | 第62-63页 |
| 4.2.2 针对问题的修正 | 第63-65页 |
| 4.2.3 基于多因素修正的迭代相似度改进算法的步骤 | 第65-66页 |
| 4.2.4 算法复杂度 | 第66-67页 |
| 4.3 实验与讨论 | 第67-89页 |
| 4.3.1 实验预备知识介绍 | 第67-70页 |
| 4.3.2 Movielens数据集的实验 | 第70-80页 |
| 4.3.3 天猫数据集的实验 | 第80-89页 |
| 4.4 本章小结 | 第89-90页 |
| 5 全局认可度协同过滤推荐算法研究 | 第90-113页 |
| 5.1 流行商品过度推荐问题 | 第90-94页 |
| 5.1.1 显性哈利波特问题 | 第90-91页 |
| 5.1.2 隐性哈利波特问题 | 第91-92页 |
| 5.1.3 哈利波特问题的现有解决方法 | 第92-93页 |
| 5.1.4 传统解决方法的不足 | 第93-94页 |
| 5.2 全局认可度协同过滤推荐算法 | 第94-100页 |
| 5.2.1 全局认可度概念的提出 | 第94-95页 |
| 5.2.2 算法步骤 | 第95-100页 |
| 5.2.3 算法复杂度 | 第100页 |
| 5.3 实验方案与结果分析 | 第100-112页 |
| 5.3.1 Movielens数据集实验 | 第100-106页 |
| 5.3.2 天猫数据集实验 | 第106-112页 |
| 5.4 本章小结 | 第112-113页 |
| 6 分众标志度协同过滤推荐算法研究 | 第113-127页 |
| 6.1 推荐的个性化缺失问题 | 第113-114页 |
| 6.1.1 个性化推荐问题介绍 | 第113页 |
| 6.1.2 缺乏个性化推荐产生的弊端 | 第113-114页 |
| 6.1.3 现有解决方法 | 第114页 |
| 6.2 分众标志度的改进推荐算法 | 第114-119页 |
| 6.2.1 分众标志度概念的提出 | 第114-116页 |
| 6.2.2 算法步骤 | 第116-119页 |
| 6.2.3 算法复杂度 | 第119页 |
| 6.3 实验结果与分析 | 第119-126页 |
| 6.3.1 Movielens数据集的实验 | 第119-123页 |
| 6.3.2 天猫数据集的实验 | 第123-126页 |
| 6.4 本章小结 | 第126-127页 |
| 7 结论与展望 | 第127-130页 |
| 7.1 结论 | 第127-128页 |
| 7.2 工作展望 | 第128-130页 |
| 参考文献 | 第130-137页 |
| 攻读博士学位期间科研项目及科研成果 | 第137-138页 |
| 致谢 | 第138-139页 |
| 作者简介 | 第139页 |