| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-13页 |
| ·研究背景及研究意义 | 第9-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·本文的结构安排 | 第12-13页 |
| 第二章 个性化推荐系统及其核心技术 | 第13-28页 |
| ·个性化推荐系统概述 | 第13-15页 |
| ·个性化推荐系统概念及分类 | 第13-14页 |
| ·个性化推荐系统研究内容 | 第14-15页 |
| ·个性化推荐系统的基本框架 | 第15-19页 |
| ·用户行为记录模块 | 第16-17页 |
| ·兴趣建模模块 | 第17-18页 |
| ·推荐算法模块 | 第18-19页 |
| ·个性化推荐技术 | 第19-27页 |
| ·基于内容的推荐 | 第19-21页 |
| ·协同过滤推荐 | 第21-22页 |
| ·基于关联规则的推荐 | 第22-24页 |
| ·其他推荐技术 | 第24-25页 |
| ·组合推荐 | 第25-27页 |
| ·小结 | 第27-28页 |
| 第三章 协同过滤推荐研究 | 第28-35页 |
| ·协同过滤简单描述 | 第28-29页 |
| ·协同过滤的实现过程 | 第29-31页 |
| ·评分表示 | 第29页 |
| ·近邻选择 | 第29-30页 |
| ·产生推荐或预测 | 第30-31页 |
| ·协同过滤算法的分类 | 第31-32页 |
| ·基于内存的协同过滤 | 第31页 |
| ·基于模型的协同过滤 | 第31-32页 |
| ·协同过滤存在的问题 | 第32-33页 |
| ·协同过滤常用数据 | 第33-35页 |
| 第四章 基于用户-项目的混合式协同过滤改进算法UPIC | 第35-47页 |
| ·传统User-based协同过滤算法 | 第35-39页 |
| ·相似性计算方法 | 第36-38页 |
| ·选取最近邻 | 第38页 |
| ·产生推荐 | 第38-39页 |
| ·传统Item-based协同过滤算法 | 第39-40页 |
| ·改进的协同过滤算法UPIC | 第40-45页 |
| ·相似性计算方法 | 第40-41页 |
| ·用户评分预测 | 第41页 |
| ·改进算法UPIC | 第41-45页 |
| ·算法实现 | 第45-46页 |
| ·小结 | 第46-47页 |
| 第五章 实验结果及分析 | 第47-53页 |
| ·实验基础 | 第47页 |
| ·实验标准及方案 | 第47-48页 |
| ·实验结果及分析 | 第48-53页 |
| 第六章 总结和展望 | 第53-55页 |
| ·本文工作总结 | 第53页 |
| ·未来工作展望 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 攻读硕士期间发表的论文 | 第58-59页 |
| 致谢 | 第59页 |