| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文研究内容 | 第11页 |
| 1.4 论文结构 | 第11-13页 |
| 1.5 本章小结 | 第13-14页 |
| 2 个性化推荐及其相关技术 | 第14-26页 |
| 2.1 个性化推荐概述 | 第14页 |
| 2.2 个性化推荐技术分类 | 第14-17页 |
| 2.3 协作过滤推荐算法 | 第17-24页 |
| 2.3.1 基于内存的协作过滤推荐技术 | 第20-22页 |
| 2.3.2 基于模型的协作过滤推荐技术 | 第22-24页 |
| 2.4 传统的协作过滤推荐技术存在的问题 | 第24页 |
| 2.5 推荐系统的评价标准 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 3 综合用户特征及专家信任的协作过滤推荐算法 | 第26-34页 |
| 3.1 引言 | 第26页 |
| 3.2 综合用户特征及专家信任协作过滤推荐算法 | 第26-30页 |
| 3.2.1 用户特征 | 第27-28页 |
| 3.2.2 专家信任 | 第28页 |
| 3.2.3 综合用户特征及专家信任协作过滤推荐算法设计 | 第28-30页 |
| 3.3 实验设计与分析 | 第30-33页 |
| 3.3.1 数据集和度量标准 | 第30-31页 |
| 3.3.2 实验设计及结果分析 | 第31-33页 |
| 3.4 本章小结 | 第33-34页 |
| 4 基于奇异值分解与K-means++聚类的协作过滤推荐算法 | 第34-42页 |
| 4.1 引言 | 第34页 |
| 4.2 基于奇异值分解与K-means++聚类的协作过滤推荐 | 第34-38页 |
| 4.2.1 奇异值分解 | 第34-35页 |
| 4.2.2 K-means++聚类 | 第35-36页 |
| 4.2.3 基于奇异值分解与K-means++聚类的协作过滤推荐算法设计 | 第36-38页 |
| 4.3 实验结果及分析 | 第38-41页 |
| 4.3.1 实验数据 | 第38-39页 |
| 4.3.2 实验结果及讨论 | 第39-41页 |
| 4.4 本章小结 | 第41-42页 |
| 5 总结与展望 | 第42-44页 |
| 5.1 本文总结 | 第42页 |
| 5.2 展望 | 第42-44页 |
| 参考文献 | 第44-48页 |
| 硕士期间发表的论文及参与的科研项目 | 第48-49页 |
| 发表的学术论文 | 第48页 |
| 参与的科研项目 | 第48-49页 |
| 致谢 | 第49页 |
