| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 引言 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 研究内容 | 第13-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 第2章 相关工作 | 第16-24页 |
| 2.1 协同过滤推荐算法 | 第16-19页 |
| 2.1.1 协同过滤技术简述 | 第16-18页 |
| 2.1.2 协同过滤技术分类 | 第18-19页 |
| 2.1.3 协同过滤技术优缺点小结 | 第19页 |
| 2.2 基于项目的协同过滤推荐算法 | 第19-21页 |
| 2.3 基于内容的推荐算法 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于PLSA模型的协同过滤推荐算法 | 第24-38页 |
| 3.1 PLSA模型的理论基础 | 第24-29页 |
| 3.1.1 PLSA模型基本原理 | 第25-27页 |
| 3.1.2 PLSA模型求解过程 | 第27-29页 |
| 3.2 基于PLSA模型的协同过滤推荐模型 | 第29-34页 |
| 3.2.1 隐式和显式评分的获取 | 第29-30页 |
| 3.2.2 PLSA-CF问题描述与构建 | 第30-31页 |
| 3.2.3 PLSA-CF算法求解过程 | 第31-33页 |
| 3.2.4 PLSA-CF算法的预测评分 | 第33-34页 |
| 3.3 PLSA—CF算法实验分析 | 第34-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 基于PLSA-CF模型的混合推荐算法 | 第38-52页 |
| 4.1 基于PLSA-CF模型和基于项目的协同过滤的混合推荐 | 第38-44页 |
| 4.1.1 基于项目推荐改进算法的实现 | 第40-43页 |
| 4.1.2 混合推荐算法的实现 | 第43-44页 |
| 4.2 潜在群体回归推荐算法 | 第44-51页 |
| 4.2.1 聚类线性回归模型的构建 | 第45-48页 |
| 4.2.3 潜在群体回归推荐算法的实现 | 第48-51页 |
| 4.3 本章小结 | 第51-52页 |
| 第5章 实验结果与分析 | 第52-62页 |
| 5.1 基于PLSA与项目的协同过滤混合推荐实验 | 第52-55页 |
| 5.1.1 改进的基于项目协同过滤算法实验 | 第52-53页 |
| 5.1.2 基于PLSA和项目协同过滤混合算法实验 | 第53-55页 |
| 5.2 聚类线性回归推荐算法实验 | 第55-62页 |
| 第6章 总结和展望 | 第62-64页 |
| 6.1 工作总结 | 第62页 |
| 6.2 未来工作展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68页 |