| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 课题研究的背景 | 第9-10页 |
| 1.1.1 就业服务信息化、网络化 | 第9页 |
| 1.1.2 当前网络就业效率很低 | 第9-10页 |
| 1.1.3 基于移动就业信息服务的个性化推荐的必要性 | 第10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 当前个性化推荐系统研究现状 | 第10-13页 |
| 1.2.2 当前就业信息推荐的现状 | 第13-15页 |
| 1.3 课题来源与研究意义 | 第15页 |
| 1.4 论文研究目标与成果 | 第15-16页 |
| 1.5 论文结构安排 | 第16-18页 |
| 第二章 移动就业信息推荐系统综述 | 第18-31页 |
| 2.1 信息采集与抽取技术详解 | 第18-22页 |
| 2.1.1 网络爬虫基本概念 | 第18页 |
| 2.1.2 网络爬虫的分类 | 第18-20页 |
| 2.1.3 网页结构化信息抽取 | 第20-22页 |
| 2.2 传统个性化推荐系统分析 | 第22-28页 |
| 2.2.1 个性化推荐步骤 | 第23页 |
| 2.2.2 传统个性化推荐技术及优缺点分析 | 第23-28页 |
| 2.3 就业信息服务特点及其对个性化推荐的要求 | 第28-29页 |
| 2.3.1 网络招聘信息的特点 | 第28页 |
| 2.3.2 就业信息服务对个性化推荐要求 | 第28-29页 |
| 2.4 影响移动个性化推荐系统的主要因素 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 个性化推荐引擎算法设计 | 第31-42页 |
| 3.1 基于用户(求职用户)的协同过滤推荐 | 第31-34页 |
| 3.1.1 算法的输入 | 第31-32页 |
| 3.1.2 生成用户的最近邻居(相似用户) | 第32-33页 |
| 3.1.3 推荐产生 | 第33-34页 |
| 3.2 User-based协同过滤算法在就业信息服务领域存在的问题 | 第34-35页 |
| 3.3 冷启动解决方案 | 第35-38页 |
| 3.3.1 筛选 | 第36-37页 |
| 3.3.2 用户—就业信息属性向量匹配计算 | 第37-38页 |
| 3.4 一种改进的基于时间衰减的协同过滤推荐算法 | 第38-39页 |
| 3.5 改进的推荐算法性能分析 | 第39-41页 |
| 3.5.0 数据集 | 第39-40页 |
| 3.5.1 实验步骤 | 第40页 |
| 3.5.2 实验结果及分析 | 第40-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第四章 推荐系统的设计与实现 | 第42-65页 |
| 4.1 系统需求分析 | 第42-43页 |
| 4.1.1 业务需求分析 | 第42-43页 |
| 4.2 总体设计 | 第43-45页 |
| 4.3 服务器端各模块设计与实现 | 第45-61页 |
| 4.3.1 移动端用户行为采集分析模块设计与实现 | 第46-49页 |
| 4.3.2 个性化推荐引擎模块设计与实现 | 第49-53页 |
| 4.3.3 就业信息抓取模块设计与实现 | 第53-58页 |
| 4.3.4 基于REST WEBSERVICE接口模型设计与实现 | 第58-61页 |
| 4.4 客户端软件的设计与实现 | 第61-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 本文成果总结 | 第65-66页 |
| 5.2 不足与展望 | 第66-67页 |
| 参考文献 | 第67-69页 |
| 致谢 | 第69页 |
