| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·选题背景 | 第10-11页 |
| ·选题意义 | 第11-12页 |
| ·研究现状和挑战 | 第12-13页 |
| ·研究现状 | 第12页 |
| ·研究挑战 | 第12-13页 |
| ·本文的研究工作 | 第13页 |
| ·本文的组织 | 第13-16页 |
| 第2章 推荐系统及相关核心算法 | 第16-26页 |
| ·引言 | 第16页 |
| ·推荐系统概述 | 第16-17页 |
| ·推荐系统结构 | 第17-18页 |
| ·推荐系统算法 | 第18-23页 |
| ·基于关联规则（Rule-based）的推荐算法 | 第19-20页 |
| ·基于内容（Content-based）的推荐算法 | 第20-21页 |
| ·基于协同过滤（Collaborative Filtering）的推荐算法 | 第21-22页 |
| ·混合型推荐算法 | 第22页 |
| ·推荐技术比较 | 第22-23页 |
| ·推荐系统评价标准 | 第23-26页 |
| ·准确性 | 第23-24页 |
| ·有效性 | 第24页 |
| ·精确度和召回率的计算 | 第24-26页 |
| 第3章 协同过滤推荐算法 | 第26-38页 |
| ·引言 | 第26页 |
| ·协同过滤原理 | 第26-27页 |
| ·协同过滤算法分类 | 第27-33页 |
| ·基于模型的协同过滤算法 | 第27-29页 |
| ·基于内存的协同过滤算法 | 第29-33页 |
| ·协同过滤推荐系统中的问题研究 | 第33-38页 |
| ·可扩展性问题 | 第33-34页 |
| ·冷启动问题 | 第34页 |
| ·数据稀疏性问题 | 第34-38页 |
| 第4章 最大熵原理和大众分类标签信息（TAG） | 第38-48页 |
| ·引言 | 第38页 |
| ·最大熵方法 | 第38-45页 |
| ·概述 | 第38页 |
| ·条件最大熵模型 | 第38-39页 |
| ·模型框架 | 第39-40页 |
| ·特征 | 第40-41页 |
| ·最大熵原则的数学表示 | 第41页 |
| ·参数形式 | 第41-42页 |
| ·模型选择 | 第42-45页 |
| ·模型比较 | 第45页 |
| ·大众分类标签信息（TAG） | 第45-48页 |
| ·tag 概述 | 第45页 |
| ·tag 特点 | 第45-46页 |
| ·tag 使用状况 | 第46-47页 |
| ·tag 对于协同过滤系统的意义 | 第47-48页 |
| 第5章 结合最大熵模型和 TAG 特征的混合推荐系统 | 第48-54页 |
| ·引言 | 第48页 |
| ·提出问题 | 第48-49页 |
| ·相关定义 | 第49页 |
| ·构建最大熵模型 | 第49-52页 |
| ·基于rating 信息的feature | 第50页 |
| ·基于tag 信息的feature | 第50-52页 |
| ·算法描述 | 第52-54页 |
| 第6章 仿真实验 | 第54-60页 |
| ·实验目的 | 第54页 |
| ·实验数据与环境 | 第54页 |
| ·实验环境 | 第54页 |
| ·实验度量标准 | 第54-55页 |
| ·实验方案 | 第55页 |
| ·实验结果分析 | 第55-57页 |
| ·小结 | 第57-60页 |
| 第7章 总结和展望 | 第60-64页 |
| ·总结 | 第60-61页 |
| ·展望 | 第61-64页 |
| 参考文献 | 第64-65页 |
