| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 个性化推荐的研究现状 | 第12-13页 |
| 1.2.2 协同过滤推荐算法的研究现状 | 第13-15页 |
| 1.3 本文主要工作 | 第15-16页 |
| 1.3.1 研究内容 | 第15-16页 |
| 1.3.2 本文创新点 | 第16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第二章 相关理论与技术 | 第18-30页 |
| 2.1 协同过滤算法 | 第18-21页 |
| 2.1.1 协同过滤算法原理 | 第18-19页 |
| 2.1.2 协同过滤存在的问题和对策 | 第19-20页 |
| 2.1.3 用户间相似性度量准则 | 第20-21页 |
| 2.2 二部图算法 | 第21-24页 |
| 2.3 聚类算法 | 第24-25页 |
| 2.3.1 聚类算法概述 | 第24-25页 |
| 2.3.2 K-Medoids算法 | 第25页 |
| 2.4 常用测试方法 | 第25-26页 |
| 2.4.1 数据集划分 | 第25-26页 |
| 2.4.2 测试方式 | 第26页 |
| 2.5 常用推荐评价指标 | 第26-28页 |
| 2.6 数据集介绍 | 第28-29页 |
| 2.6.1 MovieLens数据集 | 第28页 |
| 2.6.2 Netflix数据集 | 第28-29页 |
| 2.7 本章小结 | 第29-30页 |
| 第三章 基于加权二部图的协同过滤推荐算法 | 第30-40页 |
| 3.1 问题提出 | 第30-31页 |
| 3.2 算法分析 | 第31-36页 |
| 3.2.1 加权二部图算法 | 第31-32页 |
| 3.2.2 加权策略 | 第32-34页 |
| 3.2.3 数据预处理过程 | 第34页 |
| 3.2.4 算法描述 | 第34-36页 |
| 3.3 实验结果分析 | 第36-39页 |
| 3.3.1 实验环境 | 第36页 |
| 3.3.2 实验结果评价 | 第36-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于加权二部图与K-Medoids的协同过滤推荐算法 | 第40-47页 |
| 4.1 问题提出 | 第40-41页 |
| 4.2 算法分析 | 第41-42页 |
| 4.2.1 算法描述 | 第41-42页 |
| 4.3 实验结果分析 | 第42-46页 |
| 4.3.1 实验环境 | 第42页 |
| 4.3.2 K值选择 | 第42-44页 |
| 4.3.3 实验结果评价 | 第44-45页 |
| 4.3.4 算法运行效率测试 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 基于加权二部图与K-Medoids的协同过滤推荐算法的应用 | 第47-53页 |
| 5.1 推荐系统简介 | 第47-48页 |
| 5.2 基于加权二部图的协同过滤推荐模块 | 第48-51页 |
| 5.2.1 推荐系统数据库设计 | 第48-49页 |
| 5.2.2 推荐系统结果展示 | 第49-51页 |
| 5.3 基于加权二部图与K-Medoids的协同过滤推荐模块 | 第51-52页 |
| 5.3.1 推荐系统数据库设计 | 第51页 |
| 5.3.2 推荐系统结果展示 | 第51-52页 |
| 5.4 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6.1 工作总结 | 第53页 |
| 6.2 工作展望 | 第53-55页 |
| 参考文献 | 第55-60页 |
| 致谢 | 第60页 |
