| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-10页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 本文的工作 | 第14-16页 |
| 第二章 推荐系统 | 第16-26页 |
| 2.1 推荐系统概述 | 第16-17页 |
| 2.2 推荐系统分类 | 第17-23页 |
| 2.2.1 基于内容的推荐 | 第17-19页 |
| 2.2.2 基于人口统计的推荐 | 第19-20页 |
| 2.2.3 协同过滤推荐 | 第20-21页 |
| 2.2.4 其他推荐算法 | 第21-22页 |
| 2.2.5 各种推荐算法的比较 | 第22-23页 |
| 2.3 本章小结 | 第23-26页 |
| 第三章 协同过滤算法 | 第26-38页 |
| 3.1 集体智慧与协同过滤 | 第26-27页 |
| 3.2 协同过滤的核心步骤 | 第27-30页 |
| 3.2.1 收集用户偏好 | 第27-28页 |
| 3.2.2 收集用户偏好 | 第28-29页 |
| 3.2.3 找到相似的用户或物品 | 第29-30页 |
| 3.2.4 计算相似邻居 | 第30页 |
| 3.2.5 计算推荐 | 第30页 |
| 3.3 协同过滤技术的分类 | 第30-34页 |
| 3.3.1 基于用户的协同过滤 | 第30-32页 |
| 3.3.2 基于物品的协同过滤算法 | 第32-34页 |
| 3.4 基于用户的协同过滤与基于物品/评分的协同过滤算法的比较 | 第34-35页 |
| 3.4.1 复杂度比较 | 第34-35页 |
| 3.4.2 适用场景 | 第35页 |
| 3.4.3 多样性比较 | 第35页 |
| 3.5 本章小结 | 第35-38页 |
| 第四章 基于用户的协同过滤算法关键技术研究 | 第38-42页 |
| 4.1 计算专家之间的相似度 | 第38页 |
| 4.2 寻找最近邻居 | 第38-39页 |
| 4.3 建立模型 | 第39-40页 |
| 4.4 产生推荐和预测 | 第40页 |
| 4.5 预测准确度评价标准 | 第40-41页 |
| 4.6 恶意评分识别规则 | 第41-42页 |
| 第五章 一种实现了恶意评分识别技术的评审系统设计与实现 | 第42-60页 |
| 5.1 一种实现了恶意评分识别技术的评审系统 | 第42页 |
| 5.1.1 评审系统简介 | 第42页 |
| 5.2 项目部署 | 第42-43页 |
| 5.2.1 评审系统的部署 | 第42-43页 |
| 5.2.2 恶意评分系统的部署 | 第43页 |
| 5.3 评分流程 | 第43-47页 |
| 5.4 恶意评分识别系统的设计与实现 | 第47-53页 |
| 5.4.1 信息收集 | 第47-48页 |
| 5.4.2 数据处理 | 第48-49页 |
| 5.4.3 聚类 | 第49-51页 |
| 5.4.4 推荐与预测 | 第51页 |
| 5.4.5 计算平均绝对偏差MAE | 第51-53页 |
| 5.4.6 对恶意评分进行判断 | 第53页 |
| 5.5 实验验证 | 第53-60页 |
| 5.5.1 实验数据 | 第53-54页 |
| 5.5.2 实验结果与分析 | 第54-60页 |
| 第六章 总结和展望 | 第60-62页 |
| 6.1 总结 | 第60页 |
| 6.2 展望 | 第60-61页 |
| 6.3 本章小结 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66页 |