| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究动态与现状 | 第12-14页 |
| 1.3 主要研究内容 | 第14-15页 |
| 1.4 论文结构安排 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第2章 相关理论与技术 | 第17-27页 |
| 2.1 个性化推荐算法 | 第17-20页 |
| 2.1.1 基于协同过滤的推荐算法 | 第17-19页 |
| 2.1.2 基于内容的推荐算法 | 第19-20页 |
| 2.1.3 混合的推荐算法 | 第20页 |
| 2.2 粗糙集理论基础 | 第20-23页 |
| 2.2.1 基本定义 | 第21-22页 |
| 2.2.2 扩展定义 | 第22-23页 |
| 2.3 聚类算法 | 第23-26页 |
| 2.3.1 基于层次的聚类算法 | 第24页 |
| 2.3.2 基于划分式的聚类算法 | 第24-25页 |
| 2.3.3 基于密度的聚类算法 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于改进ROUSTIDA的数据稀疏问题解决方案 | 第27-45页 |
| 3.1 数据稀疏问题描述 | 第27-30页 |
| 3.1.1 数据稀疏问题分析 | 第27-29页 |
| 3.1.2 本文方法分析 | 第29-30页 |
| 3.2 基于K-means聚类的用户过滤 | 第30-34页 |
| 3.2.1 K-means聚类 | 第30-32页 |
| 3.2.2 相似度度量方法 | 第32-33页 |
| 3.2.3 用户聚类 | 第33-34页 |
| 3.3 改进的ROUSTIDA算法：LSR-ROUSTIDA | 第34-41页 |
| 3.3.1 ROUSTIDA算法 | 第34-37页 |
| 3.3.2 LSR-ROUSTIDA算法 | 第37-41页 |
| 3.4 基于LSR-ROUSTIDA的数据稀疏处理实例 | 第41-44页 |
| 3.4.1 不完备信息系统的构建 | 第41-42页 |
| 3.4.2 矩阵稀疏性处理 | 第42-44页 |
| 3.4.3 算法实现流程 | 第44页 |
| 3.5 本章总结 | 第44-45页 |
| 第4章 基于粗糙集的个性化推荐 | 第45-57页 |
| 4.1 基于粗糙集的个性推荐概述 | 第45-46页 |
| 4.2 基本的评分预测方法 | 第46-48页 |
| 4.2.1 平均值的方法 | 第46-47页 |
| 4.2.2 基于邻域的方法 | 第47-48页 |
| 4.3 改进的项目近似计算方法 | 第48-50页 |
| 4.3.1 问题描述 | 第48-49页 |
| 4.3.2 项目特征矩阵构建 | 第49页 |
| 4.3.3 改进的项目近似算法 | 第49-50页 |
| 4.4 基于粗糙集的评分预测方法 | 第50-54页 |
| 4.4.1 预测方法分析 | 第51-52页 |
| 4.4.2 算法实现流程 | 第52-54页 |
| 4.5 基于粗糙集的个性推荐实例 | 第54-56页 |
| 4.6 本章小结 | 第56-57页 |
| 第5章 实验与结论 | 第57-69页 |
| 5.1 实验环境与数据集 | 第57-58页 |
| 5.1.1 实验环境 | 第57页 |
| 5.1.2 实验数据集 | 第57-58页 |
| 5.2 实验评价标准 | 第58-59页 |
| 5.3 参数设置 | 第59-61页 |
| 5.4 实验方案设计与结果分析 | 第61-68页 |
| 5.4.1 LSR-ROUSTIDA算法性能分析 | 第62-65页 |
| 5.4.2 基于改进ROUSTIDA稀疏问题解决方案性能分析 | 第65-66页 |
| 5.4.3 基于粗糙集的个性推荐算法性能分析 | 第66-68页 |
| 5.5 本章小结 | 第68-69页 |
| 第6章 总结与展望 | 第69-71页 |
| 6.1 总结 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75页 |
