| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.3 论文的研究内容 | 第11-12页 |
| 1.4 论文的组织结构 | 第12-15页 |
| 第2章 推荐系统常用算法研究综述 | 第15-31页 |
| 2.1 信息推荐引擎原理 | 第15-17页 |
| 2.2 信息推荐的基本方法 | 第17-25页 |
| 2.2.1 基于内容推荐 | 第17-18页 |
| 2.2.2 协同过滤推荐 | 第18-24页 |
| 2.2.3 基于关联规则推荐 | 第24页 |
| 2.2.4 组合推荐 | 第24-25页 |
| 2.3 隐语义模型 | 第25-28页 |
| 2.3.1 使用隐语义模型的原因 | 第25-27页 |
| 2.3.2 隐语义模型算法 | 第27-28页 |
| 2.4 推荐系统的常见应用 | 第28-29页 |
| 2.5 推荐系统实验的评测指标 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第3章 个性化推荐系统结构 | 第31-39页 |
| 3.1 基于用户兴趣的信息推荐系统任务以及主要目标 | 第31-32页 |
| 3.2 信息推荐系统框架与流程 | 第32-34页 |
| 3.2.1 推荐系统架构简介 | 第32-33页 |
| 3.2.2 推荐系统工作流程 | 第33-34页 |
| 3.3 基于线性回归的推荐引擎 | 第34-35页 |
| 3.4 基于融合显式与隐式特征的推荐引擎 | 第35-36页 |
| 3.5 基于隐式模型的协同过滤推荐引擎 | 第36-37页 |
| 3.6 本章小结 | 第37-39页 |
| 第4章 基于用户兴趣模型的推荐算法研究 | 第39-53页 |
| 4.1 基于显式特征表述的用户兴趣推荐算法 | 第39-42页 |
| 4.2 基于融合兴趣模型的用户兴趣推荐算法 | 第42-47页 |
| 4.2.1 基于融合兴趣模型的用户兴趣推荐算法简介 | 第42-43页 |
| 4.2.2 基于融合兴趣模型的用户兴趣推荐算法步骤 | 第43-47页 |
| 4.3 基于隐式特征的用户兴趣协同推荐算法 | 第47-52页 |
| 4.3.1 基于隐式特征的用户兴趣协同推荐算法简介 | 第47-49页 |
| 4.3.2 基于隐式特征的用户兴趣协同推荐算法步骤 | 第49-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第5章 推荐算法实验结果分析与评测 | 第53-65页 |
| 5.1 数据集与实验设计 | 第53-56页 |
| 5.1.1 数据集简介 | 第53-54页 |
| 5.1.2 交叉验证切分数据集 | 第54页 |
| 5.1.3 实验设计 | 第54-55页 |
| 5.1.4 算法评价指标 | 第55-56页 |
| 5.2 实验结果以及对应分析 | 第56-60页 |
| 5.3 基于邻域与隐语义的算法对比分析 | 第60-63页 |
| 5.3.1 LFM和基于邻域的方法的比较 | 第60-61页 |
| 5.3.2 UserBasedCF与ItemBasedCF的对比分析 | 第61-63页 |
| 5.4 本章小结 | 第63-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间发表的学术论文 | 第71-73页 |
| 致谢 | 第73页 |
