| 摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-8页 |
| 第1章 绪论 | 第8-19页 |
| ·推荐算法研究的背景和意义 | 第8-10页 |
| ·推荐系统的应用与发展 | 第10-15页 |
| ·推荐系统的应用 | 第10-11页 |
| ·推荐系统研究现状 | 第11-15页 |
| ·推荐系统面临的问题 | 第15-17页 |
| ·准确度与新颖性的制衡 | 第15-16页 |
| ·时间的价值没有充分使用 | 第16页 |
| ·用户兴趣漂移问题 | 第16-17页 |
| ·时间多样性 | 第17页 |
| ·研究工作及结果 | 第17-18页 |
| ·论文结构 | 第18-19页 |
| 第2章 时间上下文对推荐的影响 | 第19-30页 |
| ·上下文感知推荐算法 | 第19-23页 |
| ·上下文的定义 | 第19-20页 |
| ·上下文的获取 | 第20页 |
| ·上下文感知推荐的形式化定义 | 第20-21页 |
| ·上下文感知推荐的方法 | 第21-23页 |
| ·推荐系统的动态特性分析 | 第23-25页 |
| ·时间上下文使用方法的改进 | 第25-27页 |
| ·时间权重的设计 | 第27-29页 |
| ·时间衰减函数 | 第27-28页 |
| ·绝对时间间隔和相对时间间隔 | 第28-29页 |
| ·绝对时间衰减函数 | 第29页 |
| ·相对时间衰减函数 | 第29页 |
| ·本章小结 | 第29-30页 |
| 第3章 基于相对时间间隔的协同过滤算法 | 第30-46页 |
| ·协同过滤算法的分析比较 | 第30-36页 |
| ·基于用户的协同过滤 | 第31-33页 |
| ·基于项目的协同过滤 | 第33-34页 |
| ·基于用户的协同过滤与基于项目的协同过滤的综合比较 | 第34-35页 |
| ·基于模型的协同过滤 | 第35-36页 |
| ·基于相对时间间隔的协同过滤算法 | 第36-38页 |
| ·项目相似度的计算 | 第37页 |
| ·兴趣预测 | 第37-38页 |
| ·算法的实现 | 第38页 |
| ·实验数据集 | 第38-39页 |
| ·推荐算法的测评 | 第39-41页 |
| ·准确度 | 第39-40页 |
| ·覆盖率 | 第40页 |
| ·多样性 | 第40-41页 |
| ·实验设计 | 第41页 |
| ·实验结果分析 | 第41-45页 |
| ·算法的准确度性能 | 第42-43页 |
| ·算法的多样性性能 | 第43-44页 |
| ·算法的覆盖率性能 | 第44页 |
| ·系统参数α对算法的影响 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第4章 适应用户兴趣随时间变化的协同过滤算法 | 第46-59页 |
| ·引言 | 第46-48页 |
| ·用户兴趣随时间变化问题 | 第46-47页 |
| ·记忆遗忘理论 | 第47-48页 |
| ·算法设计 | 第48-52页 |
| ·项目相似度计算 | 第49-50页 |
| ·兴趣预测 | 第50页 |
| ·算法的实现 | 第50-52页 |
| ·实验数据集和测评指标 | 第52页 |
| ·实验设计 | 第52-53页 |
| ·实验结果及分析 | 第53-56页 |
| ·算法的准确度性能 | 第53-54页 |
| ·算法的多样性性能 | 第54页 |
| ·算法的覆盖率性能 | 第54-55页 |
| ·推荐结果的时间多样性 | 第55-56页 |
| ·系统参数β对算法的影响 | 第56页 |
| ·算法在 Netflix 数据集上的表现 | 第56-57页 |
| ·算法复杂度分析 | 第57页 |
| ·本章小结 | 第57-59页 |
| 第5章 总结与展望 | 第59-62页 |
| ·工作总结 | 第59-60页 |
| ·未来工作展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-65页 |