| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 第一章 绪论 | 第8-13页 |
| §1-1 研究背景、意义 | 第8-9页 |
| §1-2 推荐系统国内外研究现状 | 第9-11页 |
| 1-2-1 推荐系统国内外发展现状 | 第9-10页 |
| 1-2-2 个性化推荐算法的研究现状 | 第10-11页 |
| §1-3 论文的主要内容和组织结构 | 第11-13页 |
| 1-3-1 文论的主要内容 | 第11页 |
| 1-3-2 文论的组织结构 | 第11-13页 |
| 第二章 电子商务推荐系统及推荐算法的研究 | 第13-25页 |
| §2-1 电子商务个性化推荐系统概述 | 第13-15页 |
| 2-1-1 推荐系统的定义 | 第13页 |
| 2-1-2 推荐系统的分类 | 第13页 |
| 2-1-3 推荐系统的体系结构 | 第13-15页 |
| §2-2 推荐算法的介绍与比较 | 第15-18页 |
| 2-2-1 信息检索 | 第15页 |
| 2-2-2 基于内容的推荐技术 | 第15-16页 |
| 2-2-3 基于关联规则的推荐技术 | 第16页 |
| 2-2-4 基于协同过滤的推荐技术 | 第16-17页 |
| 2-2-5 组合推荐技术 | 第17页 |
| 2-2-6 各种推荐技术的比较 | 第17-18页 |
| §2-3 协同过滤（Collaborative Filter）推荐算法的研究 | 第18-23页 |
| 2-3-1 协同过滤推荐技术的应用 | 第18页 |
| 2-3-2 协同过滤算法的分类 | 第18-19页 |
| 2-3-3 基于用户的协同过滤算法 | 第19-21页 |
| 2-3-4 基于项目的协同过滤算法 | 第21-23页 |
| §2-4 传统的协同过滤算法存在的问题 | 第23-24页 |
| 2-4-1 冷启动问题 | 第23页 |
| 2-4-2 评分矩阵数据稀疏性问题 | 第23页 |
| 2-4-3 可扩展性问题 | 第23-24页 |
| 2-4-4 用户兴趣变化问题 | 第24页 |
| §2-5 本章小结 | 第24-25页 |
| 第三章 基于聚类和用户兴趣的协同过滤算法研究 | 第25-35页 |
| §3-1 聚类的分析与研究 | 第25-26页 |
| 3-1-1 聚类技术 | 第25页 |
| 3-1-2 k-means 算法的描述 | 第25页 |
| 3-1-3 K-means 算法及其改进 | 第25-26页 |
| §3-2 聚类在协同过滤中的应用 | 第26-28页 |
| 3-2-1 基于用户聚类的协同过滤技术 | 第26-27页 |
| 3-2-2 基于项目聚类的协同过滤技术 | 第27-28页 |
| §3-3 相似性计算方法的研究 | 第28-32页 |
| 3-3-1 传统的相似性计算方法 | 第28-29页 |
| 3-3-2 基于用户兴趣的相似性计算方法 | 第29-30页 |
| 3-3-3 基于项目相似度的数据权重 | 第30-31页 |
| 3-3-4 用户兴趣变化的新型相似度计算方法 | 第31页 |
| 3-3-5 考虑用户兴趣变化的新型相似度计算方法的步骤 | 第31-32页 |
| §3-4 基于聚类和用户兴趣的协同过滤推荐算法 | 第32-34页 |
| 3-4-1 改进算法的设计思想 | 第32页 |
| 3-4-2 改进算法的设计步骤 | 第32-33页 |
| 3-4-3 改进算法的主要实现步骤 | 第33页 |
| 3-4-4 改进算法要点分析 | 第33-34页 |
| §3-5 本章小结 | 第34-35页 |
| 第四章 实验设计与结果分析 | 第35-43页 |
| §4-1 实验数据集 | 第35-37页 |
| 4-1-1 实验数据集介绍 | 第35页 |
| 4-1-2 论文实验数据集的选取 | 第35-36页 |
| 4-1-3 实验数据的选取 | 第36-37页 |
| §4-2 实验设计 | 第37-38页 |
| 4-2-1 实验的运行环境 | 第37页 |
| 4-2-2 对比实验的度量指标 | 第37-38页 |
| 4-2-3 实验过程 | 第38页 |
| §4-3 实验结果分析 | 第38-42页 |
| §4-4 本章小结 | 第42-43页 |
| 第五章 总结与展望 | 第43-44页 |
| §5-1 本文工作回顾 | 第43页 |
| §5-2 展望 | 第43-44页 |
| 参考文献 | 第44-46页 |
| 致谢 | 第46-47页 |
| 在研究生学习期间的研究成果及发表的学术论文 | 第47页 |