| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 引言 | 第9-14页 |
| ·研究背景与意义 | 第9-10页 |
| ·目前国内外研究现状 | 第10-11页 |
| ·国外研究现状 | 第10-11页 |
| ·国内研究进展 | 第11页 |
| ·协同过滤个性化推荐面临的瓶颈与挑战 | 第11-12页 |
| ·本文主要研究内容 | 第12-13页 |
| ·本文的组织结构 | 第13页 |
| ·本章小结 | 第13-14页 |
| 第二章 协同过滤个性化推荐系统综述 | 第14-28页 |
| ·个性化推荐算法与技术 | 第14-18页 |
| ·基于关联规则的推荐(Association Rule-based Recommendation) | 第15-16页 |
| ·基于内容的推荐(Content-based Recommendation) | 第16页 |
| ·协同过滤个性化推荐算法(Collaborative Filtering Recommendation) | 第16-17页 |
| ·混合个性化推荐技术 | 第17-18页 |
| ·其他推荐算法 | 第18页 |
| ·协同过滤个性化推荐系统 | 第18-22页 |
| ·协同过滤个性化推荐原理 | 第18页 |
| ·协同过滤个性化推荐算法过程 | 第18-21页 |
| ·推荐系统评价标准 | 第21-22页 |
| ·两种典型的协同过滤个性化推荐算法概述 | 第22-27页 |
| ·基于内存的协同过滤个性化推荐算法(Memory-based CF) | 第22-24页 |
| ·基于模型的协同过滤个性化推荐算法(Model-based CF) | 第24-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 基于用户多兴趣的协同过滤个性化推荐算法研究 | 第28-37页 |
| ·问题的提出 | 第28页 |
| ·已有工作的分析 | 第28-30页 |
| ·传统协同过滤个性化推荐算法分析 | 第28-29页 |
| ·传统相似度计算方法分析 | 第29-30页 |
| ·基于用户多兴趣的协同过滤个性化推荐算法描述与分析 | 第30-32页 |
| ·用户多兴趣的基本概念 | 第30-31页 |
| ·基于用户多兴趣的协同过滤个性化推荐的可行性研究 | 第31页 |
| ·现有基于用户多兴趣的协同过滤个性化推荐算法分析 | 第31-32页 |
| ·基于用户多兴趣的协同过滤个性化推荐的改进算法研究 | 第32-36页 |
| ·基于用户多兴趣的相似度计算改进方法 | 第33页 |
| ·基于用户多兴趣的预测评分改进方法 | 第33-34页 |
| ·针对类内数据稀疏性问题的分析 | 第34页 |
| ·基于用户多兴趣的协同过滤个性化推荐改进算法描述 | 第34-36页 |
| ·算法分析 | 第36页 |
| ·本章总结 | 第36-37页 |
| 第四章 改进算法实验设计与结果分析 | 第37-45页 |
| ·数据集 | 第37-38页 |
| ·实验设计 | 第38-40页 |
| ·实验数据集的选取 | 第38-39页 |
| ·实验环境 | 第39-40页 |
| ·度量标准 | 第40页 |
| ·改进算法性能比较 | 第40-44页 |
| ·确定权重系数的最优值 | 第40-41页 |
| ·改进算法性能比较 | 第41-44页 |
| ·本章总结 | 第44-45页 |
| 第五章 总结与展望 | 第45-47页 |
| ·论文总结 | 第45页 |
| ·对以后研究工作的展望 | 第45-47页 |
| 参考文献 | 第47-50页 |
| 致谢 | 第50-51页 |
| 攻读硕士学位期间发表学术论文以参与项目情况 | 第51-52页 |
| 附录 | 第52页 |
