| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 推荐系统研究现状 | 第12-14页 |
| 1.2.2 评论文本挖掘研究现状 | 第14-16页 |
| 1.2.3 研究现状评述 | 第16页 |
| 1.3 本文主要研究内容及创新点 | 第16-17页 |
| 1.4 本文的组织结构 | 第17-18页 |
| 第二章 相关理论与技术 | 第18-30页 |
| 2.1 相关概念 | 第18-20页 |
| 2.1.1 推荐系统相关概念 | 第18-19页 |
| 2.1.2 评论文本处理相关概念 | 第19-20页 |
| 2.2 推荐系统分类 | 第20-22页 |
| 2.3 推荐系统相关理论与技术 | 第22-26页 |
| 2.3.1 数据处理技术 | 第23页 |
| 2.3.2 相似度计算相关理论与技术 | 第23-25页 |
| 2.3.3 预测评分 | 第25页 |
| 2.3.4 评价标准 | 第25-26页 |
| 2.4 评论文本挖掘与情感分析技术 | 第26-29页 |
| 2.4.1 评论对象提取 | 第26-28页 |
| 2.4.2 缺省、否定处理 | 第28页 |
| 2.4.3 情感字典 | 第28页 |
| 2.4.4 评价标准 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 协同过滤推荐算法相似度的改进 | 第30-38页 |
| 3.1 传统的基于用户的协同过滤算法 | 第30-31页 |
| 3.2 相关工作 | 第31-32页 |
| 3.3 用户多维相似度的协同过滤推荐算法 | 第32-34页 |
| 3.3.1 用户评分相似度 | 第32-33页 |
| 3.3.2 用户属性相似度 | 第33页 |
| 3.3.3 用户多维相似度的协同过滤推荐算法的步骤及时间复杂度分析 | 第33-34页 |
| 3.4 实验结果及分析 | 第34-37页 |
| 3.4.1 数据集分析及可行性验证 | 第34-35页 |
| 3.4.2 评测标准 | 第35页 |
| 3.4.3 实验方案及结果分析 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 文本评论在推荐系统中的情感量化 | 第38-48页 |
| 4.1 文本处理模型构建 | 第38-39页 |
| 4.2 获取结构化评论对象集 | 第39-41页 |
| 4.2.1 评论对象元素的获取 | 第39-40页 |
| 4.2.2 评论对象结构化 | 第40-41页 |
| 4.3 评论文本情感词典的构建 | 第41-42页 |
| 4.4 评论文本情感量化分析 | 第42-44页 |
| 4.4.1 五元组模型 | 第42-43页 |
| 4.4.2 否定检测与缺省处理 | 第43-44页 |
| 4.5 实验设计及结果分析 | 第44-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第五章 结合用户评论的多维度推荐模型 | 第48-55页 |
| 5.1 基于用户评论的相似度 | 第48-50页 |
| 5.1.1 用户评论矩阵 | 第48-49页 |
| 5.1.2 用户评论相似度计算 | 第49-50页 |
| 5.2 多维相似度计算 | 第50-52页 |
| 5.3 整体模型设计 | 第52页 |
| 5.4 实验设计与结果分析 | 第52-54页 |
| 5.4.1 实验数据与环境 | 第52-53页 |
| 5.4.2 实验结果与分析 | 第53-54页 |
| 5.5 本章小结 | 第54-55页 |
| 第六章 结论 | 第55-57页 |
| 6.1 本文总结 | 第55-56页 |
| 6.2 未来展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 攻读学位期间的研究成果 | 第62-63页 |