| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及研究意义 | 第9-10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.3 主要工作和研究内容 | 第11-12页 |
| 1.4 论文组织结构 | 第12-13页 |
| 1.5 本章小结 | 第13-14页 |
| 第二章 基于word2vec标签权重提取的电影推荐方法 | 第14-22页 |
| 2.1 引言 | 第14-15页 |
| 2.2 基于word2vec标签权重提取的电影推荐方法 | 第15-18页 |
| 2.2.1 相似度计算公式 | 第15页 |
| 2.2.2 基于word2vec标签权重提取的电影推荐方法特点 | 第15页 |
| 2.2.3 基于word2vec标签权重提取的电影推荐方法实现 | 第15-18页 |
| 2.3 数据实验及结果分析 | 第18-21页 |
| 2.3.1 实验目的 | 第18页 |
| 2.3.2 数据集介绍 | 第18-19页 |
| 2.3.3 实验评价标准 | 第19页 |
| 2.3.4 实验结果及分析 | 第19-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 融合电影相似度和用户相似度的Slope One算法 | 第22-38页 |
| 3.1 引言 | 第22-23页 |
| 3.2 Movie-based Slope One算法 | 第23-27页 |
| 3.2.1 电影相似度计算 | 第23-24页 |
| 3.2.2 Movie-based Slope One算法特点 | 第24-25页 |
| 3.2.3 Movie-based Slope One算法实现 | 第25-27页 |
| 3.3 User-Based Slope One算法 | 第27-29页 |
| 3.3.1 用户相似度计算 | 第27-28页 |
| 3.3.2 User-Based Slope One算法特点 | 第28页 |
| 3.3.3 User-Based Slope One算法实现 | 第28-29页 |
| 3.4 融合的Slope One算法 | 第29-30页 |
| 3.5 算法时间复杂度分析 | 第30-31页 |
| 3.5.1 Slope One算法时间复杂度分析 | 第30页 |
| 3.5.2 Movie-Based Slope One算法时间复杂度分析 | 第30页 |
| 3.5.3 User-Based Slope One算法时间复杂度分析 | 第30-31页 |
| 3.5.4 融合的Slope One算法时间复杂度分析 | 第31页 |
| 3.5.5 分析及比较 | 第31页 |
| 3.6 数据实验及结果分析 | 第31-37页 |
| 3.6.1 实验目的 | 第31页 |
| 3.6.2 数据集介绍 | 第31-32页 |
| 3.6.3 实验评价标准 | 第32页 |
| 3.6.4 实验结果及分析 | 第32-37页 |
| 3.7 本章小结 | 第37-38页 |
| 第四章 融合标签权重和SVD的协同过滤推荐算法 | 第38-50页 |
| 4.1 引言 | 第38-39页 |
| 4.2 相关工作 | 第39页 |
| 4.3 融合用户标签权重和SVD的协同过滤推荐算法 | 第39-44页 |
| 4.3.1 用户标签权重相似度计算 | 第40-41页 |
| 4.3.2 用户评分特征相似度计算 | 第41-42页 |
| 4.3.3 算法特点 | 第42页 |
| 4.3.4 算法实现 | 第42-44页 |
| 4.4 融合电影标签权重和SVD的协同过滤推荐算法 | 第44-45页 |
| 4.4.1 电影评分特征相似度计算 | 第44页 |
| 4.4.2 算法特点 | 第44页 |
| 4.4.3 算法实现 | 第44-45页 |
| 4.5 数据实验及结果分析 | 第45-49页 |
| 4.5.1 实验目的 | 第45-46页 |
| 4.5.2 数据集介绍 | 第46页 |
| 4.5.3 实验评价标准 | 第46页 |
| 4.5.4 实验结果及分析 | 第46-49页 |
| 4.6 本章小结 | 第49-50页 |
| 第五章 总结与展望 | 第50-53页 |
| 5.1 工作总结 | 第50-51页 |
| 5.2 工作展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57-58页 |
| 攻读学位期间发表的学术论文目录 | 第58页 |
