基于用户的个性化影视推荐系统的研究与实现
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题背景和意义 | 第10-11页 |
| 1.2 国内外研究和发展现状 | 第11-13页 |
| 1.3 研究目标和研究内容 | 第13-14页 |
| 1.4 论文结构安排 | 第14-16页 |
| 第二章 推荐系统及技术分析 | 第16-31页 |
| 2.1 个性化推荐系统概述 | 第16-17页 |
| 2.2 个性化推荐系统结构 | 第17-18页 |
| 2.3 个性化推荐技术分析 | 第18-25页 |
| 2.3.1 协作过滤推荐 | 第18-21页 |
| 2.3.1.1 基于用户的协作过滤推荐 | 第19-20页 |
| 2.3.1.2 基于资源的协作过滤推荐 | 第20-21页 |
| 2.3.2 基于内容的推荐 | 第21-22页 |
| 2.3.3 基于人口统计学的推荐 | 第22-23页 |
| 2.3.4 基于关联规则的推荐 | 第23-24页 |
| 2.3.5 推荐算法的对比 | 第24-25页 |
| 2.4 国内主流视频网站推荐效果调研 | 第25-27页 |
| 2.5 推荐系统的评测指标 | 第27-30页 |
| 2.5.1 推荐准确度 | 第28-29页 |
| 2.5.2 Top-N推荐常用评测指标 | 第29页 |
| 2.5.3 其他常用评价指标 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第三章 基于用户的个性化推荐算法设计 | 第31-59页 |
| 3.1 推荐算法的总体设计 | 第31-33页 |
| 3.2 用户行为数据建模 | 第33-42页 |
| 3.2.1 用户行为数据分析与研究 | 第33-37页 |
| 3.2.1.1 用户行为数据分析 | 第33-36页 |
| 3.2.1.2 时间上下文分析 | 第36-37页 |
| 3.2.2 用户行为数据建模 | 第37-42页 |
| 3.2.2.1 建立用户-标签关联矩阵 | 第37-40页 |
| 3.2.2.2 指数时间衰减因子 | 第40-42页 |
| 3.3 用户类似程度计算 | 第42-44页 |
| 3.4 评分预测 | 第44-47页 |
| 3.4.1 建立标签-电影关联矩阵 | 第45-46页 |
| 3.4.2 预测电影资源偏好分数 | 第46-47页 |
| 3.5 基于用户的个性化推荐算法总结 | 第47-49页 |
| 3.6 实验设计及结果分析 | 第49-58页 |
| 3.6.1 实验环境和数据集 | 第49-52页 |
| 3.6.2 评测指标 | 第52-53页 |
| 3.6.3 实验方案设计 | 第53-54页 |
| 3.6.4 实验结果与分析 | 第54-58页 |
| 3.7 本章小结 | 第58-59页 |
| 第四章 个性化影视推荐系统设计与实现 | 第59-79页 |
| 4.1 需求分析 | 第59-64页 |
| 4.1.1 系统的功能性需求 | 第59-63页 |
| 4.1.2 系统的非功能性需求 | 第63-64页 |
| 4.2 个性化影视推荐系统的设计 | 第64-70页 |
| 4.2.1 个性化影视推荐系统的架构设计 | 第64-65页 |
| 4.2.2 个性化影视推荐系统的模块设计 | 第65-69页 |
| 4.2.3 个性化影视推荐系统的数据流图设计 | 第69-70页 |
| 4.3 个性化影视推荐系统的实现 | 第70-78页 |
| 4.3.1 个性化影视推荐系统的实现 | 第70-72页 |
| 4.3.2 个性化影视推荐系统的数据库展示 | 第72-74页 |
| 4.3.3 个性化影视推荐系统的功能展示 | 第74-78页 |
| 4.4 本章小结 | 第78-79页 |
| 第五章 总结与展望 | 第79-81页 |
| 5.1 总结 | 第79-80页 |
| 5.2 工作展望 | 第80-81页 |
| 致谢 | 第81-82页 |
| 参考文献 | 第82-86页 |
