| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 本文的研究背景和意义 | 第11-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 个性化推荐技术 | 第12-14页 |
| 1.2.2 个性化推荐系统的应用 | 第14-15页 |
| 1.3 推荐系统所面临的挑战 | 第15-16页 |
| 1.4 本文主要的研究内容及成果 | 第16-17页 |
| 1.5 论文的组织结构 | 第17-18页 |
| 第二章 推荐系统及其相关技术 | 第18-29页 |
| 2.1 推荐系统及其核心算法 | 第18-19页 |
| 2.1.1 推荐系统的介绍 | 第18页 |
| 2.1.2 常用推荐算法 | 第18-19页 |
| 2.2 基于关联规则的推荐算法 | 第19-20页 |
| 2.3 基于内容的推荐算法 | 第20-21页 |
| 2.4 协同过滤算法 | 第21-25页 |
| 2.4.1 基于用户的协同过滤算法 | 第22-24页 |
| 2.4.2 基于物品的协同过滤算法 | 第24-25页 |
| 2.5 算法间的综合比较 | 第25-27页 |
| 2.6 混合推荐算法 | 第27-29页 |
| 第三章 基于聚类技术与奇异值分解的推荐算法 | 第29-43页 |
| 3.1 聚类算法的概念和原理 | 第29-30页 |
| 3.2 几种重要的聚类方法 | 第30-31页 |
| 3.3 聚类中对象相似度计算函数 | 第31-32页 |
| 3.4 基于用户属性聚类 | 第32-38页 |
| 3.4.1 用户特征值 | 第32-37页 |
| 3.4.2 利用用户特征值聚类 | 第37-38页 |
| 3.5 隐语义模型与矩阵分解模型 | 第38页 |
| 3.6 奇异值分解(SVD) | 第38-41页 |
| 3.6.1 奇异值分解介绍 | 第38-41页 |
| 3.6.2 奇异值分解的缺点与不足 | 第41页 |
| 3.7 改进的SVD算法 | 第41-43页 |
| 第四章 基于用户属性聚类和奇异值分解算法的设计与实现 | 第43-53页 |
| 4.1 系统的总体设计 | 第43-44页 |
| 4.2 利用用户属性聚类模块 | 第44-47页 |
| 4.2.1 初始化user表 | 第44-45页 |
| 4.2.2 计算用户特征值 | 第45-46页 |
| 4.2.3 得到聚类簇 | 第46-47页 |
| 4.3 奇异值分解模块 | 第47-48页 |
| 4.4 获取最近邻模块 | 第48-49页 |
| 4.4.1 用户间相似性计算 | 第48-49页 |
| 4.4.2 找到目标用户最近邻 | 第49页 |
| 4.5 预测评分推荐模块 | 第49-53页 |
| 4.5.1 计算未评分电影的预测评分 | 第49-51页 |
| 4.5.2 对用户进行推荐 | 第51-53页 |
| 第五章 实验与分析 | 第53-61页 |
| 5.1 实验目的 | 第53-54页 |
| 5.2 数据集 | 第54-55页 |
| 5.3 实验环境 | 第55页 |
| 5.4 推荐系统评测标准 | 第55-56页 |
| 5.4.1 预测准确性 | 第55-56页 |
| 5.4.2 有效性 | 第56页 |
| 5.5 多种推荐算法的比较 | 第56-59页 |
| 5.5.1 协同过滤算法中三种不同相似度计算方法比较 | 第57-58页 |
| 5.5.2 基于用户与基于物品的协同过滤算法比较 | 第58页 |
| 5.5.3 基于用户属性聚类和奇异值分解算法与其他算法比较 | 第58-59页 |
| 5.6 对推荐技术中常见问题的解决 | 第59-61页 |
| 5.6.1 解决“冷启动”问题 | 第59-60页 |
| 5.6.2 解决“数据稀疏性”问题 | 第60页 |
| 5.6.3 解决“数据过载”问题 | 第60页 |
| 5.6.4 提高准确率 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61-62页 |
| 6.2 下一步展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66-67页 |
| 攻读学位期间发表的学术论文 | 第67页 |
