| 中文摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 本文选题和研究内容 | 第15-16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 2 主流推荐算法对比与聚类分析 | 第18-40页 |
| 2.1 推荐系统的定义 | 第18-19页 |
| 2.2 主流推荐方法及对比 | 第19-29页 |
| 2.2.1 协同过滤推荐 | 第19-24页 |
| 2.2.2 基于内容的推荐 | 第24-26页 |
| 2.2.3 混合推荐 | 第26-28页 |
| 2.2.4 各种推荐方法的比较分析 | 第28-29页 |
| 2.3 推荐过程中一些关键问题 | 第29-33页 |
| 2.3.1 相似性度量 | 第29-31页 |
| 2.3.2 评价指标 | 第31-32页 |
| 2.3.3 有关推荐的其他问题 | 第32-33页 |
| 2.4 推荐算法中的聚类 | 第33-39页 |
| 2.4.1 划分聚类 | 第34-35页 |
| 2.4.2 层次聚类 | 第35-37页 |
| 2.4.3 密度聚类 | 第37-38页 |
| 2.4.4 图聚类 | 第38页 |
| 2.4.5 网格聚类 | 第38-39页 |
| 2.4.6 基于模型的聚类 | 第39页 |
| 2.5 本章小结 | 第39-40页 |
| 3 结合用户属性与自然最近邻个性推荐算法的实现 | 第40-54页 |
| 3.1 基于用户自然最近邻的推荐算法 | 第41-47页 |
| 3.1.1 用户自然最近邻概念 | 第41-42页 |
| 3.1.2 寻找目标用户的自然最近邻 | 第42-46页 |
| 3.1.3 基于用户自然最近邻的评分预测 | 第46-47页 |
| 3.2 基于用户属性聚类的推荐算法 | 第47-52页 |
| 3.2.1 基于用户属性聚类 | 第48-51页 |
| 3.2.2 基于用户属性的评分预测 | 第51页 |
| 3.2.3 基于用户属性聚类推荐算法的分析 | 第51-52页 |
| 3.3 用户属性与自然最近邻相结合 | 第52-53页 |
| 3.4 评价推荐结果 | 第53页 |
| 3.5 本章小结 | 第53-54页 |
| 4 实验设计与结果分析 | 第54-63页 |
| 4.1 实验数据集 | 第54页 |
| 4.2 实验参数设置 | 第54-55页 |
| 4.3 实验结果及分析 | 第55-61页 |
| 4.3.1 3NR算法与K-CF算法、INS-CF算法对比 | 第55-57页 |
| 4.3.2 UA3NR算法与 3NR算法、UCR算法对比 | 第57-58页 |
| 4.3.3 UA3NR算法与NPSSC算法对比 | 第58-59页 |
| 4.3.4 聚类个数对UA3NR算法影响 | 第59-60页 |
| 4.3.5 混合权重 λ 对UA3NR算法影响 | 第60-61页 |
| 4.4 结论 | 第61页 |
| 4.5 本章小结 | 第61-63页 |
| 5 总结与展望 | 第63-65页 |
| 5.1 本文总结 | 第63页 |
| 5.2 展望 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 附录A：作者攻读硕士学位期间发表论文及科研情况 | 第70-71页 |
| 致谢 | 第71页 |