| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-10页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文的主要工作 | 第12页 |
| 1.4 本文组织结构 | 第12-14页 |
| 第二章 相关理论介绍 | 第14-28页 |
| 2.1 个性化推荐技术概述及对比 | 第14-18页 |
| 2.1.1 个性化推荐算法概述 | 第14-17页 |
| 2.1.2 个性化推荐算法对比 | 第17-18页 |
| 2.2 协同过滤推荐算法介绍 | 第18-22页 |
| 2.2.1 用户-项目评分模型的建立 | 第19页 |
| 2.2.2 邻近集合的建立 | 第19-21页 |
| 2.2.3 推荐结果的计算 | 第21-22页 |
| 2.3 径向基神经网络的基本原理 | 第22-25页 |
| 2.3.1 人工神经网络的基本原理 | 第22-23页 |
| 2.3.2 径向基神经网络结构和特点 | 第23-25页 |
| 2.4 算法性能评价指标 | 第25-28页 |
| 2.4.1 实验数据集 | 第25-26页 |
| 2.4.2 实验评价指标 | 第26-27页 |
| 2.4.3 实验环境 | 第27-28页 |
| 第三章 基于RBF神经网络的协同过滤推荐算法 | 第28-38页 |
| 3.1 传统的协同过滤推荐算法的缺陷 | 第28-30页 |
| 3.2 基于RBF神经网络的系统过滤推荐算法 | 第30-34页 |
| 3.2.1 改进型协同过滤推荐算法提出的依据 | 第30-32页 |
| 3.2.2 算法的设计与实现 | 第32-34页 |
| 3.4 实验的结果与分析 | 第34-38页 |
| 3.4.1 不同评分数据密度算法的对比 | 第34-36页 |
| 3.4.2 不同邻近用户数目算法对比 | 第36-38页 |
| 第四章 基于RBF神经网络的用户-项目混合协同过滤推荐算法 | 第38-52页 |
| 4.1 传统相似度计算方法的改进 | 第38-39页 |
| 4.2 用户-项目混合协同过滤算法 | 第39-42页 |
| 4.2.1 问题描述 | 第39-40页 |
| 4.2.2 算法基本思想 | 第40页 |
| 4.2.3 比例因子的分解 | 第40-42页 |
| 4.3 基于RBF神经网络的用户-项目混合协同过滤推荐算法 | 第42-43页 |
| 4.3.1 提出依据 | 第42页 |
| 4.3.2 算法的设计与实现 | 第42-43页 |
| 4.4 实验结果与分析 | 第43-52页 |
| 4.4.1 不同评分数据稀疏度算法的对比 | 第43-47页 |
| 4.4.2 不同邻近用户数目推荐算法的对比 | 第47-49页 |
| 4.4.3 不同控制因子下推荐算法的对比 | 第49-50页 |
| 4.4.4 实验分析与总结 | 第50-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 工作总结 | 第52页 |
| 5.2 工作展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
| 在读期间发表的学术论文与参与项目 | 第59-60页 |
| 附录 | 第60-62页 |
| Appendix | 第62-63页 |