| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第12-21页 |
| 1.1 课题研究背景 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 国内研究现状 | 第14-16页 |
| 1.2.2 国外研究现状 | 第16-18页 |
| 1.3 论文的主要贡献 | 第18-19页 |
| 1.4 论文组织结构 | 第19-21页 |
| 第二章 协同过滤推荐技术 | 第21-32页 |
| 2.1 协同过滤算法概述 | 第21-22页 |
| 2.2 经典的协同过滤推荐算法 | 第22-28页 |
| 2.2.1 基于用户的（User-based）协同过滤推荐 | 第22-25页 |
| 2.2.2 基于项目的（ Item-based）协同过滤推荐 | 第25-27页 |
| 2.2.3 基于模型的（Model-based）协同过滤推荐 | 第27-28页 |
| 2.3 协同过滤推荐面临的关键问题 | 第28-30页 |
| 2.3.1 数据稀疏性问题 | 第28-29页 |
| 2.3.2 可扩展性问题 | 第29页 |
| 2.3.3 冷启动问题 | 第29-30页 |
| 2.4 算法性能评估策略 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 采用Logistic函数解决稀疏性问题 | 第32-45页 |
| 3.1 研究背景 | 第32页 |
| 3.2 相关工作 | 第32-33页 |
| 3.3 研究方法 | 第33-37页 |
| 3.3.1 调用次数标准化 | 第34-36页 |
| 3.3.2 相似性计算 | 第36页 |
| 3.3.3 预测值产生 | 第36页 |
| 3.3.4 推荐 | 第36-37页 |
| 3.4 实验与分析 | 第37-42页 |
| 3.4.1 数据准备 | 第37-38页 |
| 3.4.2 实验设置 | 第38页 |
| 3.4.3 评价指标 | 第38-39页 |
| 3.4.4 准确性分析 | 第39-41页 |
| 3.4.5 效率分析 | 第41-42页 |
| 3.5 案例分析 | 第42-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第四章 基于离线聚类解决可扩展性问题 | 第45-61页 |
| 4.1 研究动机 | 第45-46页 |
| 4.2 相关工作 | 第46-47页 |
| 4.3 研究方法 | 第47-56页 |
| 4.3.1 离线用户聚类算法 | 第47-52页 |
| 4.3.2 在线搜索用户邻居 | 第52-54页 |
| 4.3.3 兴趣度预测与推荐 | 第54-56页 |
| 4.4 实验与分析 | 第56-59页 |
| 4.4.1 实验数据 | 第56页 |
| 4.4.2 实验设置 | 第56-57页 |
| 4.4.3 关键词数目的影响 | 第57页 |
| 4.4.4 比较方法 | 第57-58页 |
| 4.4.5 预测性能分析 | 第58-59页 |
| 4.5 本章小结 | 第59-61页 |
| 第五章 总结和展望 | 第61-63页 |
| 5.1 总结 | 第61-62页 |
| 5.2 展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 附录A（攻读硕士学位期间的学术成果） | 第66-67页 |
| 附录B（攻读学位期间所获的奖项） | 第67-68页 |
| 附录C（攻读学位期间参加的研究项目） | 第68-69页 |
| 致谢 | 第69页 |
