| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 引言 | 第8-14页 |
| 1.1 研究背景和意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 论文主要研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 第二章 推荐系统及协同过滤算法综述 | 第14-28页 |
| 2.1 推荐系统简介 | 第14-17页 |
| 2.1.1 推荐系统的发展 | 第14-16页 |
| 2.1.2 推荐系统的内涵 | 第16-17页 |
| 2.2 协同过滤算法介绍 | 第17-23页 |
| 2.2.1 基于用户的协同过滤推荐技术 | 第17-19页 |
| 2.2.2 基于物品的协同过滤推荐技术 | 第19-20页 |
| 2.2.3 基于模型的协同过滤推荐技术 | 第20-23页 |
| 2.3 推荐系统数据集 | 第23-24页 |
| 2.3.1 MovieLens Dataset | 第23页 |
| 2.3.2 Netflix Dataset | 第23-24页 |
| 2.3.3 Yahoo! Music Dataset | 第24页 |
| 2.3.4 BookCrossing Dataset | 第24页 |
| 2.4 推荐系统评估 | 第24-27页 |
| 2.4.1 准确度 | 第25页 |
| 2.4.2 覆盖度 | 第25-26页 |
| 2.4.3 召回率 | 第26页 |
| 2.4.4 新颖性 | 第26页 |
| 2.4.5 扩展性 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于时间感知的协同过滤算法 | 第28-39页 |
| 3.1 传统协同过滤算法面临的问题 | 第28-29页 |
| 3.1.1 近邻选择未考虑目标物品 | 第28页 |
| 3.1.2 动态性问题 | 第28-29页 |
| 3.1.3 数据稀疏性以及冷启动问题 | 第29页 |
| 3.2 协同过滤算法中相似度计算的改进 | 第29-33页 |
| 3.2.1 相似度函数的改进 | 第29-32页 |
| 3.2.2 预测目标物品评分值 | 第32页 |
| 3.2.3 改进的UICF算法 | 第32-33页 |
| 3.3 实验设计与分析 | 第33-37页 |
| 3.3.1 实验设计 | 第33-34页 |
| 3.3.2 实验结果及分析 | 第34-37页 |
| 3.3.3 参数调整 | 第37页 |
| 3.4 本章小结 | 第37-39页 |
| 第四章 基于社交网络信任度的协同过滤算法 | 第39-47页 |
| 4.1 社交网络定义及表示 | 第39-41页 |
| 4.1.1 社交网络定义 | 第39-40页 |
| 4.1.2 社交网络表示 | 第40-41页 |
| 4.2 基于社交网络信任度的协同过滤算法 | 第41-44页 |
| 4.2.1 识别信任用户 | 第41-42页 |
| 4.2.2 预测评分值 | 第42-43页 |
| 4.2.3 算法基本步骤 | 第43-44页 |
| 4.3 实验及分析 | 第44-46页 |
| 4.3.1 数据集特点 | 第44页 |
| 4.3.2 实验评估 | 第44-46页 |
| 4.3.3 参数调整 | 第46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 总结及展望 | 第47-49页 |
| 5.1 工作总结 | 第47-48页 |
| 5.2 研究展望 | 第48-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-60页 |
| 作者简介 | 第60页 |