| 提要 | 第1-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-13页 |
| 第1章 绪论 | 第13-21页 |
| ·研究背景 | 第13-14页 |
| ·电子商务推荐系统研究内容及其存在的主要问题 | 第14-16页 |
| ·推荐系统研究内容 | 第14-15页 |
| ·推荐系统存在的主要问题 | 第15-16页 |
| ·协同过滤技术研究现状及面临的挑战 | 第16-18页 |
| ·协同过滤技术研究现状 | 第16-17页 |
| ·协同过滤技术面临的主要挑战 | 第17-18页 |
| ·本文的主要工作 | 第18-19页 |
| ·本文的组织结构 | 第19-21页 |
| 第2章 电子商务推荐技术概述 | 第21-30页 |
| ·个性化推荐技术概述 | 第21-24页 |
| ·基于内容的过滤技术 | 第21-22页 |
| ·协同过滤技术 | 第22-24页 |
| ·USER-BASED协同过滤推荐算法 | 第24-27页 |
| ·表示阶段 | 第25页 |
| ·用户相似性计算 | 第25-26页 |
| ·最近邻的生成阶段 | 第26页 |
| ·推荐策略 | 第26-27页 |
| ·ITEM-BASED协同过滤推荐算法 | 第27页 |
| ·传统的协同过滤算法存在的问题 | 第27-29页 |
| ·本章小结 | 第29-30页 |
| 第3章 协同过滤算法相似度的改进研究 | 第30-36页 |
| ·云模型概述 | 第30页 |
| ·云模型的描述 | 第30-33页 |
| ·云的可视化方法 | 第31-32页 |
| ·云发生器(Cloud Generator) | 第32-33页 |
| ·基于云模型的K-MEANS协同过滤算法 | 第33-35页 |
| ·K-Means算法 | 第33-34页 |
| ·利用云模型改进用户相似度计算 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第4章 解决协同过滤算法输入稀疏性的研究 | 第36-45页 |
| ·稀疏性问题及其常用的解决方案 | 第36-37页 |
| ·解决稀疏性问题的算法 | 第37-39页 |
| ·基于缺省值填充的最近邻算法 | 第37-38页 |
| ·基于SVD预测评分的最近邻算法 | 第38-39页 |
| ·数据降维 | 第39-41页 |
| ·数据降维方法概述 | 第39页 |
| ·主成分分析法介绍 | 第39-41页 |
| ·基于PCA的协同过滤算法 | 第41-43页 |
| ·标准化用户-项目评分矩阵 | 第41-42页 |
| ·皮尔森相关性矩阵 | 第42页 |
| ·主成分分析 | 第42-43页 |
| ·递归矩阵聚类 | 第43页 |
| ·形成推荐的总体步骤 | 第43页 |
| ·本章小结 | 第43-45页 |
| 第5章 实验结果及分析 | 第45-53页 |
| ·实验基础 | 第45-46页 |
| ·数据集 | 第45-46页 |
| ·度量标准 | 第46页 |
| ·实验平台 | 第46页 |
| ·传统的协同过滤算法 | 第46-49页 |
| ·三种标准相似度的影响 | 第46-47页 |
| ·传统的Item-Based与User-Based协同过滤算法比较 | 第47-48页 |
| ·传统的协调过滤算法受其他因素的影响 | 第48-49页 |
| ·云模型 | 第49-51页 |
| ·数据填充 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 第6章 总结与展望 | 第53-55页 |
| ·本文的总结 | 第53页 |
| ·下一步工作 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 作者简介及在学校期间所取得的科研成果 | 第59-60页 |
| 致谢 | 第60页 |