| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究的背景及意义 | 第10-12页 |
| 1.2 研究现状分析 | 第12-14页 |
| 1.3 论文的研究工作和组织结构 | 第14-16页 |
| 1.3.1 主要工作 | 第14页 |
| 1.3.2 结构安排 | 第14-16页 |
| 第二章 协同过滤算法 | 第16-25页 |
| 2.1 协同过滤推荐系统 | 第16-17页 |
| 2.2 协同过滤算法分类 | 第17-23页 |
| 2.2.1 基于kNN最近邻居推荐算法 | 第18-19页 |
| 2.2.2 基于项目物品的协同过滤算法 | 第19-20页 |
| 2.2.3 基于聚类模型的协同过滤算法 | 第20-22页 |
| 2.2.4 基于贝叶斯模型的协同过滤算法 | 第22页 |
| 2.2.5 基于潜含语义模型的协同过滤算法 | 第22页 |
| 2.2.6 基于云模型的协同过滤算法 | 第22-23页 |
| 2.3 协同过滤面临的问题与挑战 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于云模型的协同过滤研究 | 第25-31页 |
| 3.1 云模型 | 第25-27页 |
| 3.1.1 云模型概念 | 第25页 |
| 3.1.2 云模型的数字特征 | 第25-26页 |
| 3.1.3 云的 3En法则 | 第26-27页 |
| 3.1.4 云的普遍适用性 | 第27页 |
| 3.2 云发生器 | 第27-28页 |
| 3.2.1 正向云发生器 | 第27-28页 |
| 3.2.2 逆向云发生器 | 第28页 |
| 3.3 基于云模型的协同过滤算法介绍 | 第28-29页 |
| 3.3.1 云模型的相似度计算方法 | 第29页 |
| 3.3.2 推荐的产生 | 第29页 |
| 3.4 云模型的应用 | 第29-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第四章 基于欧式空间相似度的云模型协同过滤算法 | 第31-39页 |
| 4.1 问题定义 | 第31-32页 |
| 4.2 基于三维欧式空间相似度的云模型协同过滤推荐算法 | 第32-36页 |
| 4.2.1 云特征向量的相似度分析 | 第32-34页 |
| 4.2.2 欧几里德相似度度量 | 第34-35页 |
| 4.2.3 标准化函数 | 第35页 |
| 4.2.4 新的相似度计算方法 | 第35-36页 |
| 4.3 实验与分析 | 第36-38页 |
| 4.3.1 仿真实验 | 第36-37页 |
| 4.3.2 协同过滤推荐算法实验 | 第37-38页 |
| 4.4 本章小结 | 第38-39页 |
| 第五章 用户属性加权活跃近邻的协同过滤算法 | 第39-51页 |
| 5.1 问题定义 | 第39-40页 |
| 5.2 相似性度量方法分析 | 第40-42页 |
| 5.3 用户属性加权活跃近邻的协同过滤算法 | 第42-44页 |
| 5.3.1 用户特征属性 | 第42页 |
| 5.3.2 相似度的计算 | 第42-43页 |
| 5.3.3 活跃邻居集的产生 | 第43页 |
| 5.3.4 评分预测 | 第43页 |
| 5.3.5 算法过程 | 第43-44页 |
| 5.4 实验与分析 | 第44-50页 |
| 5.4.1 数据集的选用与评价标准 | 第44-45页 |
| 5.4.2 kNN与活跃近邻akNN的性能对比 | 第45-46页 |
| 5.4.3 调权因子 λ 和阈值 θ 参数的确定 | 第46-48页 |
| 5.4.4 训练集与测试集不同比例下的性能比较 | 第48-50页 |
| 5.4.5 训练集与测试集相同比例下的性能比较 | 第50页 |
| 5.5 本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-53页 |
| 6.1 工作总结 | 第51-52页 |
| 6.2 工作展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57-58页 |
| 攻读学位期间的研究成果 | 第58-59页 |