| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 研究的内容和创新点 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第2章 基础知识和相关工作 | 第16-24页 |
| 2.1 推荐算法综述 | 第16-19页 |
| 2.2 Slope One算法及加权Slope One算法 | 第19-23页 |
| 2.2.1 Slope One算法简介 | 第19-21页 |
| 2.2.2 加权Slope One算法简介 | 第21页 |
| 2.2.3 Slope One算法优点及缺陷 | 第21-22页 |
| 2.2.4 Slope One算法改进策略 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第3章 融合用户和项目相似度的加权Slope One算法 | 第24-36页 |
| 3.1 引言 | 第24页 |
| 3.2 相似度计算方法 | 第24-27页 |
| 3.2.1 传统协同过滤用户间相似度计算方法 | 第24-26页 |
| 3.2.2 信任机制 | 第26-27页 |
| 3.3 融合用户和项目相似度的加权Slope One算法 | 第27-33页 |
| 3.3.1 融合用户相似度的加权Slope One算法 | 第28-30页 |
| 3.3.2 融合项目相似度的加权Slope One算法 | 第30-31页 |
| 3.3.3 混合加权Slope One算法 | 第31-33页 |
| 3.4 算法步骤 | 第33-34页 |
| 3.5 本章小结 | 第34-36页 |
| 第4章 融合机器学习的加权Slope One算法 | 第36-45页 |
| 4.1 引言 | 第36页 |
| 4.2 机器学习方法 | 第36-38页 |
| 4.3 融合机器学习的加权Slope One算法 | 第38-41页 |
| 4.3.1 融合最小二乘法的Slope One算法 | 第38-39页 |
| 4.3.2 融合最小二乘法的加权Slope One算法 | 第39-40页 |
| 4.3.3 融合偏差因子的加权Slope One算法 | 第40-41页 |
| 4.4 算法步骤 | 第41-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 实验结果与分析 | 第45-57页 |
| 5.1 实验环境配置 | 第45-46页 |
| 5.2 实验评价标准 | 第46页 |
| 5.3 融合用户和项目相似度的加权Slope One算法实验结果及分析 | 第46-51页 |
| 5.3.1 实验数据集 | 第46-47页 |
| 5.3.2 实验结果与分析 | 第47-51页 |
| 5.4 融合机器学习的加权Slope One算法实验结果及分析 | 第51-56页 |
| 5.4.1 实验数据集 | 第51-52页 |
| 5.4.2 实验结果与分析 | 第52-56页 |
| 5.5 本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第63-64页 |
| 致谢 | 第64页 |
