| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 研究背景 | 第14-15页 |
| 1.2 国内外研究现状 | 第15页 |
| 1.3 研究目的和意义 | 第15-16页 |
| 1.4 研究的主要内容 | 第16页 |
| 1.5 本论文的章节安排 | 第16-18页 |
| 第二章 个性化推荐系统及推荐算法研究 | 第18-34页 |
| 2.1 推荐系统的分类方法和体系结构 | 第18-20页 |
| 2.2 主流的推荐算法 | 第20-25页 |
| 2.2.1 基于内容的推荐算法 | 第20-21页 |
| 2.2.2 协同过滤推荐算法 | 第21-22页 |
| 2.2.3 基于关联规则的推荐算法 | 第22页 |
| 2.2.4 基于网络结构的推荐算法 | 第22-23页 |
| 2.2.5 混合推荐算法 | 第23-24页 |
| 2.2.6 推荐算法优缺点比较 | 第24-25页 |
| 2.3 协同过滤推荐算法的分类 | 第25-28页 |
| 2.3.1 基于用户的协同过滤算法 | 第25-27页 |
| 2.3.2 基于项目的协同过滤算法 | 第27-28页 |
| 2.4 推荐系统性能评价指标 | 第28-31页 |
| 2.4.1 准确度指标 | 第28-30页 |
| 2.4.2 覆盖率 | 第30-31页 |
| 2.4.3 多样性和新颖性 | 第31页 |
| 2.5 推荐系统研究的重点、难点及发展方向 | 第31-32页 |
| 2.6 本章小结 | 第32-34页 |
| 第三章 基于相似度计算模型和聚类的协同过滤算法研究 | 第34-52页 |
| 3.1 相似性计算模型 | 第34-38页 |
| 3.1.1 相似性计算模型概述 | 第34-36页 |
| 3.1.2 基于评分信息的相似性计算模型 | 第36-38页 |
| 3.1.3 基于评分信息的相似性计算模型的局限性 | 第38页 |
| 3.2 相似性计算模型的优化 | 第38-44页 |
| 3.2.1 基于模糊逻辑的相似性算法 | 第38-42页 |
| 3.2.2 基于上下文相关的相似性算法 | 第42-44页 |
| 3.3 基于改进的相似度计算模型的k-means聚类协同过滤算法 | 第44-45页 |
| 3.4 实验结果及分析 | 第45-50页 |
| 3.4.1 数据集的选取及实验方案 | 第45页 |
| 3.4.2 推荐质量的度量标准 | 第45-46页 |
| 3.4.3 实验结果分析 | 第46-50页 |
| 3.5 本章小结 | 第50-52页 |
| 第四章 基于二分图的推荐算法 | 第52-64页 |
| 4.1 传统基于二分图的推荐算法 | 第52-55页 |
| 4.2 加权的资源分配算法 | 第55-58页 |
| 4.2.1 问题描述 | 第55页 |
| 4.2.2 加权资源分配推荐算法举例 | 第55-58页 |
| 4.3 实验与分析 | 第58-63页 |
| 4.3.1 数据集的选取与介绍 | 第58页 |
| 4.3.2 实验评价指标 | 第58-59页 |
| 4.3.3 实验结果和分析 | 第59-63页 |
| 4.4 本章小结 | 第63-64页 |
| 第五章 结论和展望 | 第64-66页 |
| 5.1 研究结论 | 第64页 |
| 5.2 研究展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 作者简介 | 第72-73页 |