| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 1 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 个性化图书推荐的研究现状 | 第12-14页 |
| 1.3 本文主要工作和组织结构 | 第14-15页 |
| 1.4 本文的研究方法与技术路线图 | 第15-17页 |
| 2 个性化图书推荐系统与技术 | 第17-30页 |
| 2.1 个性化图书推荐系统 | 第17-19页 |
| 2.1.1 个性化图书推荐系统概述 | 第17页 |
| 2.1.2 个性化图书推荐系统的构成和基本流程 | 第17-19页 |
| 2.2 个性化推荐技术及其比较 | 第19-22页 |
| 2.2.1 个性化推荐技术 | 第19-21页 |
| 2.2.2 个性化推荐技术的比较 | 第21-22页 |
| 2.3 协同过滤推荐技术概述 | 第22-25页 |
| 2.3.1 协同过滤技术的基本原理 | 第22页 |
| 2.3.2 协同过滤技术的工作流程 | 第22-25页 |
| 2.4 协同过滤技术分类 | 第25-28页 |
| 2.4.1 基于内存的协同过滤 | 第26-27页 |
| 2.4.2 基于模型的协同过滤 | 第27-28页 |
| 2.4.3 基于混合的协同过滤 | 第28页 |
| 2.5 协同过滤面临的主要问题和挑战 | 第28-30页 |
| 3 改进的基于云填充和蚁群聚类的协同过滤算法 | 第30-40页 |
| 3.1 云模型概述 | 第30-31页 |
| 3.1.1 云模型简介 | 第30页 |
| 3.1.2 云模型的数字特征 | 第30-31页 |
| 3.2 云发生器 | 第31-32页 |
| 3.3 基于云模型的相似性计算 | 第32页 |
| 3.4 蚁群聚类概述 | 第32-35页 |
| 3.4.1 蚁群聚类算法的发展 | 第32-33页 |
| 3.4.2 蚁群聚类算法的基本原理 | 第33-35页 |
| 3.5 改进的基于云模型的云填充算法 | 第35-40页 |
| 3.5.1 改进的蚁群聚类算法 | 第36-38页 |
| 3.5.2 基于改进的云填充和蚁群聚类的协同过滤算法 | 第38-40页 |
| 4 基于云填充和蚁群聚类的图书推荐实证 | 第40-53页 |
| 4.1 实验数据集 | 第40-41页 |
| 4.2 数据预处理过程 | 第41-42页 |
| 4.3 度量标准 | 第42-43页 |
| 4.4 实验方案 | 第43页 |
| 4.5 实验过程 | 第43-46页 |
| 4.6 实验结果 | 第46-50页 |
| 4.7 实验结果分析 | 第50-51页 |
| 4.8 基于本文算法的图书推荐系统 | 第51-53页 |
| 5 结论 | 第53-54页 |
| 5.1 本文总结 | 第53页 |
| 5.2 展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 作者简历 | 第58-59页 |
| 学位论文数据集 | 第59-60页 |