| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 推荐系统研究现状 | 第9-11页 |
| 1.2.2 协同过滤研究现状 | 第11-12页 |
| 1.3 本文主要研究内容及组织结构 | 第12-13页 |
| 1.3.1 主要研究内容 | 第12-13页 |
| 1.3.2 本文组织结构 | 第13页 |
| 1.4 本章小结 | 第13-14页 |
| 2 推荐系统及相关技术 | 第14-26页 |
| 2.1 推荐系统概述 | 第14-18页 |
| 2.2 常用推荐技术 | 第18-23页 |
| 2.2.1 基于人口统计学的推荐 | 第18-19页 |
| 2.2.2 基于内容的推荐 | 第19-20页 |
| 2.2.3 基于协同过滤的推荐 | 第20-22页 |
| 2.2.4 基于关联规则推荐 | 第22页 |
| 2.2.5 混合推荐 | 第22-23页 |
| 2.3 推荐系统的评价 | 第23-25页 |
| 2.3.1 准确度 | 第23-24页 |
| 2.3.2 覆盖率 | 第24页 |
| 2.3.3 多样性和新颖性 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 3 协同过滤推荐算法及相关改进 | 第26-38页 |
| 3.1 协同过滤原理 | 第26页 |
| 3.2 协同过滤算法分类 | 第26-33页 |
| 3.2.1 基于用户的协同过滤算法 | 第27-30页 |
| 3.2.2 基于项目的协同过滤算法 | 第30-32页 |
| 3.2.3 基于模型的协同过滤算法 | 第32-33页 |
| 3.3 各种协同过滤算法的比较 | 第33-34页 |
| 3.4 协同过滤算法存在的问题 | 第34-35页 |
| 3.5 改进评分预测方法的提出 | 第35-37页 |
| 3.5.1 传统评分预测方法 | 第35-36页 |
| 3.5.2 本文改进的评分预测方法 | 第36-37页 |
| 3.6 本章小结 | 第37-38页 |
| 4 自适应用户的 Item-based 协同过滤算法 | 第38-47页 |
| 4.1 常用的项目相似性度量方法 | 第38-39页 |
| 4.2 已有的项目相似性改进算法 | 第39-40页 |
| 4.3 自适应用户的 Item-based 协同过滤算法的提出 | 第40-45页 |
| 4.3.1 问题分析 | 第40-42页 |
| 4.3.2 算法改进 | 第42-45页 |
| 4.4 改进算法描述 | 第45-46页 |
| 4.4.1 改进算法的实现描述 | 第45-46页 |
| 4.4.2 改进算法的推荐流程 | 第46页 |
| 4.5 本章小结 | 第46-47页 |
| 5 实验设计与结果分析 | 第47-56页 |
| 5.1 实验数据和环境 | 第47页 |
| 5.1.1 实验数据集 | 第47页 |
| 5.1.2 实验环境 | 第47页 |
| 5.2 评价指标 | 第47-48页 |
| 5.3 实验方案 | 第48-49页 |
| 5.4 实验结果和分析 | 第49-55页 |
| 5.5 本章小结 | 第55-56页 |
| 6 总结与展望 | 第56-58页 |
| 6.1 论文总结 | 第56页 |
| 6.2 工作展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 附录 | 第63页 |
| A. 作者在攻读学位期间发表的论文目录 | 第63页 |