| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 本文研究内容 | 第12页 |
| 1.4 本文组织结构 | 第12-14页 |
| 1.5 本章小结 | 第14-15页 |
| 2 相关技术概述 | 第15-24页 |
| 2.1 推荐系统概述 | 第15页 |
| 2.2 基于内容的推荐算法 | 第15-17页 |
| 2.3 基于领域的推荐算法 | 第17-22页 |
| 2.3.1 基于用户的协同过滤推荐算法 | 第17-20页 |
| 2.3.2 基于项目的协同过滤推荐算法 | 第20-22页 |
| 2.4 基于关联规则的推荐算法 | 第22页 |
| 2.5 基于社交网络的推荐 | 第22-23页 |
| 2.6 混合推荐算法 | 第23页 |
| 2.7 本章小结 | 第23-24页 |
| 3 基于粒子群改进k-means聚类的协同过滤推荐算法 | 第24-35页 |
| 3.1 基于粒子群算法改进k-means聚类算法 | 第24-30页 |
| 3.1.1 K-means聚类算法 | 第24-26页 |
| 3.1.2 粒子群算法 | 第26-28页 |
| 3.1.3 基于粒子群算法改进k-means聚类算法 | 第28-30页 |
| 3.2 基于粒子群改进k-means聚类的协同过滤算法 | 第30-32页 |
| 3.3 实验结果及分析 | 第32-34页 |
| 3.3.1 实验数据集 | 第32页 |
| 3.3.2 实验环境 | 第32页 |
| 3.3.3 度量标准 | 第32页 |
| 3.3.4 实验结果分析 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 4 基于隐语义模型与用户聚类的协同过滤推荐 | 第35-45页 |
| 4.1 隐语义模型 | 第35-39页 |
| 4.1.1 模型理论及方法 | 第35-37页 |
| 4.1.2 隐语义模型的具体流程 | 第37-39页 |
| 4.2 基于隐语义模型与k-means聚类的协同过滤算法设计 | 第39-41页 |
| 4.3 实验结果及分析 | 第41-44页 |
| 4.3.1 实验数据集 | 第41-42页 |
| 4.3.2 实验环境 | 第42页 |
| 4.3.3 度量标准 | 第42页 |
| 4.3.4 实验结果分析 | 第42-44页 |
| 4.4 本章小结 | 第44-45页 |
| 5 总结与展望 | 第45-47页 |
| 5.1 总结 | 第45页 |
| 5.2 展望 | 第45-47页 |
| 参考文献 | 第47-50页 |
| 研究生学位期间的工作 | 第50-51页 |
| 致谢 | 第51页 |
