| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 序 | 第8-12页 |
| 1 引言 | 第12-17页 |
| ·课题背景与研究意义 | 第12-13页 |
| ·课题背景 | 第12页 |
| ·研究意义 | 第12-13页 |
| ·国内外研究现状 | 第13-15页 |
| ·在线视频行业的发展与现状 | 第13-14页 |
| ·个性化推荐算法的国内外研究现状 | 第14-15页 |
| ·论文工作及组织结构 | 第15-16页 |
| ·本章小结 | 第16-17页 |
| 2 相关工作综述 | 第17-36页 |
| ·推荐系统概述 | 第17-19页 |
| ·非个性化推荐系统 | 第17-18页 |
| ·个性化推荐系统 | 第18-19页 |
| ·常用个性化推荐算法 | 第19-30页 |
| ·基于内容的推荐算法 | 第20-21页 |
| ·基于人口统计学的推荐算法 | 第21页 |
| ·基于协同过滤的推荐算法 | 第21-27页 |
| ·基于混合模型的推荐算法 | 第27-30页 |
| ·推荐系统的评测 | 第30-35页 |
| ·推荐系统的实验方法 | 第30-33页 |
| ·评测指标 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 3 在线视频网站中推荐系统的研究 | 第36-48页 |
| ·推荐系统在视频网站中的应用 | 第36-41页 |
| ·视频网站推荐的类别 | 第37-39页 |
| ·Netflix中的推荐系统 | 第39-41页 |
| ·视频网站中的推荐算法 | 第41-42页 |
| ·视频网站的个性化推荐引擎 | 第42-46页 |
| ·个性化推荐引擎的需求 | 第42页 |
| ·个性化推荐引擎的数据特点 | 第42-43页 |
| ·个性化推荐引擎的架构设计 | 第43-46页 |
| ·视频推荐系统的框架 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 4 基于混合模型推荐算法的优化 | 第48-58页 |
| ·Item-Based协同过滤中修正余弦相似性的改进 | 第48-51页 |
| ·主观评分归一化 | 第48-50页 |
| ·用户活跃度对物品相似性的影响 | 第50页 |
| ·修正余弦相似性的改进 | 第50-51页 |
| ·物品属性相似性的计算 | 第51-53页 |
| ·TF-IDF算法 | 第52页 |
| ·物品属性相似性的优化 | 第52-53页 |
| ·混合模型相似性度量方法的优化 | 第53-55页 |
| ·用户冷启动问题的解决 | 第55-56页 |
| ·产生推荐 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 5 实验结果与分析 | 第58-64页 |
| ·数据集 | 第58-59页 |
| ·度量标准 | 第59页 |
| ·实验结果与分析 | 第59-63页 |
| ·三种传统相似性度量方法的比较 | 第59页 |
| ·修正余弦相似性度量方法改进前后的比较 | 第59-60页 |
| ·阈值获取 | 第60-61页 |
| ·用户相似度权重因子的测定 | 第61-62页 |
| ·算法解决冷启动问题的能力 | 第62页 |
| ·优化前后混合模型推荐算法的比较 | 第62-63页 |
| ·本章小结 | 第63-64页 |
| 6 总结与展望 | 第64-66页 |
| ·论文工作总结 | 第64-65页 |
| ·研究展望 | 第65页 |
| ·本章小结 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 作者简历 | 第69-71页 |
| 学位论文数据集 | 第71页 |