| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究现状及挑战 | 第10-12页 |
| 1.2.1 IPTV个性化推荐系统的发展现状 | 第10-11页 |
| 1.2.2 IPTV个性化推荐系统中隐式用户模型的应用现状 | 第11-12页 |
| 1.3 IPTV系统的特性及本文的研究内容 | 第12-14页 |
| 1.4 本文的组织结构 | 第14-15页 |
| 第二章 隐式用户模型的建立 | 第15-23页 |
| 2.1 IPTV推荐系统中隐式用户模型的作用 | 第15页 |
| 2.2 IPTV推荐系统中隐式用户模型的要求 | 第15-16页 |
| 2.3 IPTV系统中用户行为数据与视频资源的特点 | 第16-18页 |
| 2.3.1 用户行为数据的特点 | 第16-18页 |
| 2.3.2 视频资源的特点 | 第18页 |
| 2.4 面向IPTV推荐系统建立隐式用户模型 | 第18-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 基于隐式用户模型的推荐方案设计 | 第23-39页 |
| 3.1 IPTV推荐系统中主要的推荐算法 | 第23-28页 |
| 3.1.1 基于内容的推荐 | 第23-25页 |
| 3.1.2 协同过滤推荐算法 | 第25-28页 |
| 3.2 IPTV系统中的推荐场景 | 第28-31页 |
| 3.2.1 场景一：开机界面 | 第29-30页 |
| 3.2.2 场景二：视频详情界面 | 第30-31页 |
| 3.3 不同场景下协同过滤推荐算法的应用 | 第31-37页 |
| 3.3.1 IPTV推荐系统中协同过滤推荐算法的结构 | 第31-35页 |
| 3.3.2 基于场景一的推荐方案 | 第35-36页 |
| 3.3.3 基于场景二的推荐方案 | 第36-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第四章 基于隐式用户模型的推荐算法实现 | 第39-53页 |
| 4.1 推荐算法实现 | 第39-43页 |
| 4.1.1 隐式用户模型建立模块 | 第39-41页 |
| 4.1.2 协同过滤推荐模块 | 第41-43页 |
| 4.2 实验结果 | 第43-50页 |
| 4.2.1 获取隐式用户模型 | 第44-45页 |
| 4.2.2 场景一推荐结果分析 | 第45-48页 |
| 4.2.3 场景二推荐结果分析 | 第48-50页 |
| 4.3 本章小结 | 第50-53页 |
| 第五章 结论与展望 | 第53-55页 |
| 5.1 总结 | 第53页 |
| 5.2 进一步工作及展望 | 第53-55页 |
| 参考文献 | 第55-57页 |
| 致谢 | 第57页 |
