| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-15页 |
| ·引言 | 第9-10页 |
| ·研究背景和意义 | 第10-13页 |
| ·个性化推荐的定义 | 第10-11页 |
| ·推荐算法的一般原理 | 第11-12页 |
| ·国内外个性化推荐的现状 | 第12-13页 |
| ·本文的主要工作 | 第13-14页 |
| ·本文的组织结构 | 第14-15页 |
| 第二章 当前主流的推荐技术 | 第15-37页 |
| ·协同过滤 | 第15-21页 |
| ·基于记忆的协同过滤 | 第16-18页 |
| ·KNN 有关问题 | 第18-20页 |
| ·基于模型的协同过滤 | 第20-21页 |
| ·基于矩阵因式分解的算法 | 第21-26页 |
| ·SVD（奇异值分解）算法 | 第22-24页 |
| ·MMMF（最大边界矩阵因式分解）算法 | 第24-26页 |
| ·其他推荐算法 | 第26-29页 |
| ·基于内容的推荐算法 | 第26-28页 |
| ·混合推荐算法 | 第28-29页 |
| ·几种推荐算法性能的比较 | 第29-36页 |
| ·基于 KNN 的协同过滤实验 | 第31-33页 |
| ·几种协同过滤算法的性能比较 | 第33-34页 |
| ·SVD 和协同过滤的性能比较 | 第34-36页 |
| ·本章小结 | 第36-37页 |
| 第三章 集成学习在推荐算法中的应用 | 第37-50页 |
| ·集成学习理论 | 第37-39页 |
| ·集成学习概念 | 第37-39页 |
| ·基本推荐算法的生成 | 第39页 |
| ·各种集成学习方法 | 第39-42页 |
| ·几种主要的集成方法 | 第39页 |
| ·BOOSTING | 第39-42页 |
| ·BOOSTING 集成学习方法在推荐算法中的应用及改进 | 第42-49页 |
| ·将 BOOSTING 应用于推荐领域 | 第42-45页 |
| ·BOOSTING 框架下弱推荐算法的选择 | 第45-46页 |
| ·RANKBOOSTING | 第46-49页 |
| ·本章小结 | 第49-50页 |
| 第四章 基于 BOOSTING 框架的推荐算法 | 第50-66页 |
| ·本文算法概述 | 第50-51页 |
| ·协同过滤的集成实验 | 第51-56页 |
| ·SVD（奇异值分解）算法的集成实验 | 第56-58页 |
| ·参数值的选择 | 第58-59页 |
| ·最终算法的集成实验 | 第59-61页 |
| ·本文算法的优势证明 | 第61-65页 |
| ·本章小结 | 第65-66页 |
| 第五章 总结与展望 | 第66-68页 |
| ·本文总结 | 第66-67页 |
| ·今后研究展望 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-71页 |
| 攻硕期间取得的研究成果 | 第71-72页 |