| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外发展状况 | 第10-15页 |
| 1.2.1 理论研究状况 | 第10-11页 |
| 1.2.2 实际应用状况 | 第11-14页 |
| 1.2.3 个性化推荐技术存在的问题 | 第14-15页 |
| 1.3 本文的主要工作 | 第15-16页 |
| 1.4 本文的内容安排 | 第16-18页 |
| 第二章 个性化推荐及其相关技术 | 第18-36页 |
| 2.1 相关技术 | 第18-20页 |
| 2.1.1 信息检索与信息过滤技术 | 第18-19页 |
| 2.1.2 数据挖掘技术 | 第19-20页 |
| 2.2 个性化推荐系统 | 第20-21页 |
| 2.3 主要的推荐技术 | 第21-27页 |
| 2.3.1 基于内容的推荐 | 第21-22页 |
| 2.3.2 基于关联规则的推荐 | 第22-23页 |
| 2.3.3 协同过滤推荐 | 第23-26页 |
| 2.3.4 混合推荐 | 第26-27页 |
| 2.4 基于用户的协同过滤推荐算法 | 第27-32页 |
| 2.4.1 用户相似度 | 第28-30页 |
| 2.4.2 邻域用户选择 | 第30-31页 |
| 2.4.3 物品推荐 | 第31-32页 |
| 2.5 推荐技术的评估标准 | 第32-34页 |
| 2.6 基于用户协同过滤推荐算法存在的问题 | 第34-35页 |
| 2.7 本章小结 | 第35-36页 |
| 第三章 聚类技术 | 第36-44页 |
| 3.1 聚类技术简介 | 第36-37页 |
| 3.2 聚类算法的分类 | 第37-43页 |
| 3.2.1 基于密度的聚类算法 | 第37-38页 |
| 3.2.2 基于层次的聚类算法 | 第38-39页 |
| 3.2.3 基于划分的聚类算法 | 第39-43页 |
| 3.3 本章小结 | 第43-44页 |
| 第四章 基于用户的协同过滤推荐算法改进 | 第44-56页 |
| 4.1 基于用户信息的混合相似度 | 第44-46页 |
| 4.1.1 基于用户-物品评分矩阵的相似度算法 | 第44-45页 |
| 4.1.2 基于用户属性的相似度算法 | 第45页 |
| 4.1.3 混合相似度算法 | 第45-46页 |
| 4.2 用户混合相似度的改进 | 第46-50页 |
| 4.3 基于用户混合相似度的聚类算法 | 第50-55页 |
| 4.3.1 K-means算法的改进 | 第50-53页 |
| 4.3.2 基于OICK-means协同过滤推荐算法 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 实验过程及结果分析 | 第56-68页 |
| 5.1 MovieLens实验数据及处理 | 第56-60页 |
| 5.1.1 MovieLens数据集 | 第56页 |
| 5.1.2 MovieLens数据的处理 | 第56-60页 |
| 5.2 实验环境 | 第60页 |
| 5.3 实验结果分析 | 第60-67页 |
| 5.4 本章小结 | 第67-68页 |
| 总结与展望 | 第68-70页 |
| 参考文献 | 第70-73页 |
| 致谢 | 第73页 |