| 中文摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1.绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 推荐算法研究现状 | 第11-15页 |
| 1.2.1 几种常用类型推荐算法概述 | 第11-14页 |
| 1.2.2 协同过滤推荐算法研究现状 | 第14页 |
| 1.2.3 基于关联规则的推荐算法研究现状 | 第14-15页 |
| 1.3 论文主要完成工作 | 第15-16页 |
| 1.4 论文架构 | 第16-17页 |
| 2.经典推荐算法 | 第17-24页 |
| 2.1 协同过滤推荐算法 | 第17-21页 |
| 2.1.1 传统的协同过滤算法基本概述 | 第17-18页 |
| 2.1.2 算法基本思想 | 第18页 |
| 2.1.3 协同过滤推荐算法分类 | 第18-19页 |
| 2.1.4 协同过滤推荐算法面临的问题 | 第19-21页 |
| 2.2 基于关联规则的推荐算法 | 第21-23页 |
| 2.2.1 基于关联规则过滤算法概述 | 第21-22页 |
| 2.2.2 Apriori算法 | 第22-23页 |
| 2.2.3 Partition算法 | 第23页 |
| 2.2.4 基于关联规则推荐算法面临的问题 | 第23页 |
| 2.3 混合推荐算法 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 3.基于时间权重的协同过滤推荐算法 | 第24-32页 |
| 3.1 引言 | 第24-25页 |
| 3.1.1 时间感知算法研究现状 | 第24页 |
| 3.1.2 时间依赖算法研究现状 | 第24-25页 |
| 3.2 基于用户最近邻的Pearson相关系数推荐算法 | 第25-29页 |
| 3.2.1 协同过滤推荐基本步骤 | 第25页 |
| 3.2.2 相似度计算 | 第25-28页 |
| 3.2.3 算法存在的问题 | 第28-29页 |
| 3.3 评分时间效应 | 第29-31页 |
| 3.3.1 时间因子评分 | 第29页 |
| 3.3.2 时间加权函数 | 第29-31页 |
| 3.4 基于时间权重的最近邻选取 | 第31页 |
| 3.5 本章小结 | 第31-32页 |
| 4.融合关联规则的混合推荐算法 | 第32-37页 |
| 4.1 混合算法相关研究现状 | 第32页 |
| 4.2 基于关联规则的Apriori推荐算法 | 第32-33页 |
| 4.2.1 挖掘潜在推荐项目 | 第32-33页 |
| 4.2.2 Apriori推荐算法实现 | 第33页 |
| 4.3 混合推荐算法基本思想 | 第33-35页 |
| 4.3.1 混合推荐算法几种构成形式 | 第33-34页 |
| 4.3.2 算法混合基本策略 | 第34-35页 |
| 4.4 混合相似度推荐算法流程 | 第35-36页 |
| 4.5 混合策略存在的问题 | 第36页 |
| 4.6 本章小结 | 第36-37页 |
| 5.实验结果与分析评估 | 第37-49页 |
| 5.1 实验数据集 | 第37-39页 |
| 5.1.1 数据集简介 | 第37页 |
| 5.1.2 数据集存储 | 第37-39页 |
| 5.2 实验环境 | 第39页 |
| 5.3 实验方案 | 第39-40页 |
| 5.3.1 算法对比试验 | 第39-40页 |
| 5.3.2 算法评估标准 | 第40页 |
| 5.4 实验结果及分析 | 第40-48页 |
| 5.4.1 选取时间跨度参数 | 第41-42页 |
| 5.4.2 基于时间权重协同过滤推荐算法实现 | 第42-44页 |
| 5.4.3 混合关联规则推荐算法实现 | 第44-48页 |
| 5.5 本章小结 | 第48-49页 |
| 6.总结与展望 | 第49-51页 |
| 6.1 文章总结 | 第49页 |
| 6.2 研究展望 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55-56页 |
| 作者简介 | 第56-57页 |