| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-13页 |
| ·研究背景以及意义 | 第9-10页 |
| ·国内外研究现状 | 第10-11页 |
| ·推荐系统典型范例 | 第10-11页 |
| ·常用的推荐策略 | 第11页 |
| ·本文的主要研究内容及成果 | 第11-12页 |
| ·论文的组织结构 | 第12-13页 |
| 第二章 推荐系统的相关技术工作 | 第13-41页 |
| ·基于内容的过滤算法 | 第13-19页 |
| ·项目描述 | 第13页 |
| ·用户模板 | 第13-15页 |
| ·基于内容的推荐算法 | 第15-19页 |
| ·基于内容的推荐算法的局限性 | 第19页 |
| ·基于协同过滤技术的推荐算法 | 第19-27页 |
| ·协同过滤技术的发展历史 | 第21-22页 |
| ·协同过滤算法的优点和缺点 | 第22-24页 |
| ·协同过滤的实现过程 | 第24-26页 |
| ·协同过滤算法的分类 | 第26-27页 |
| ·基于用户的协同过滤算法 | 第27-30页 |
| ·基于用户的协同过滤的相似度计算 | 第28-29页 |
| ·传统相似度计算方法存在的缺陷 | 第29-30页 |
| ·基于项目的协同过滤算法 | 第30-34页 |
| ·得到用户-项目评分 | 第31页 |
| ·计算相似度，获得最近邻居 | 第31-33页 |
| ·获得推荐 | 第33-34页 |
| ·基于模型的协同过滤技术 | 第34-40页 |
| ·聚类模型 | 第34-37页 |
| ·网状贝叶斯模型 | 第37-39页 |
| ·基于关联规则 | 第39-40页 |
| ·基于协同过滤与基于内容的推荐技术对比分析 | 第40-41页 |
| 第三章 奇异值分解与推荐系统性能指标 | 第41-47页 |
| ·奇异值分解 | 第41-42页 |
| ·相关定义 | 第41-42页 |
| ·相关性质 | 第42页 |
| ·推荐系统性能指标 | 第42-47页 |
| ·预测评估指标 | 第43-45页 |
| ·推荐评估指标 | 第45-47页 |
| 第四章 传统CF 算法的改进(HYBRIDSVD 算法) | 第47-56页 |
| ·数据稀疏性问题 | 第47-49页 |
| ·传统的解决办法 | 第47-49页 |
| ·传统相似度计算存在的问题及现有的解决办法 | 第49-51页 |
| ·基于用户的最近邻居 | 第49-50页 |
| ·基于项目的最近邻居 | 第50-51页 |
| ·算法改进的依据 | 第51-52页 |
| ·HYBRIDSVD 算法 | 第52-56页 |
| 第五章 实验设计与评价 | 第56-66页 |
| ·实验目的 | 第56页 |
| ·数据集 | 第56-57页 |
| ·实验环境 | 第57-58页 |
| ·基于HYBRIDSVD 的推荐引擎的设计 | 第58-60页 |
| ·基础软件包简介 | 第58-59页 |
| ·总体框架 | 第59-60页 |
| ·核心算法的伪代码实现 | 第60页 |
| ·实验与性能评价 | 第60-66页 |
| ·评价指标 | 第60-61页 |
| ·实验一：维数k 的影响 | 第61页 |
| ·实验二：参数α的影响 | 第61-63页 |
| ·实验三：参数λ的影响 | 第63-64页 |
| ·实验四：与传统算法的性能对比分析 | 第64-66页 |
| 第六章 总结与展望 | 第66-68页 |
| ·全文总结 | 第66页 |
| ·下一步工作 | 第66-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 攻硕期间取得的研究成果 | 第72-73页 |