| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第1章 绪论 | 第7-15页 |
| 1.1 研究背景与意义 | 第7-8页 |
| 1.2 个性化推荐概述 | 第8-9页 |
| 1.3 主流个性化推荐算法 | 第9-13页 |
| 1.3.1 基于内容的推荐算法 | 第9-10页 |
| 1.3.2 基于协同过滤的推荐算法 | 第10-12页 |
| 1.3.3 基于组合模型的推荐算法 | 第12-13页 |
| 1.4 论文研究内容和组织结构 | 第13-15页 |
| 1.4.1 论文研究内容 | 第13页 |
| 1.4.2 论文组织结构 | 第13-15页 |
| 第2章 协同过滤推荐技术 | 第15-23页 |
| 2.1 基于内存的协同过滤推荐算法 | 第15-20页 |
| 2.1.1 基于用户的协同过滤推荐算法 | 第16-19页 |
| 2.1.2 基于项目的协同推荐算法 | 第19-20页 |
| 2.2 基于模型的协同过滤推荐算法 | 第20-22页 |
| 2.2.1 基于贝叶斯信念网络的协同过滤推荐算法 | 第21页 |
| 2.2.2 基于回归模型的的协同过滤推荐算法 | 第21-22页 |
| 2.2.3 基于隐语义模型的协同过滤推荐算法 | 第22页 |
| 2.3 本章小结 | 第22-23页 |
| 第3章 基于最近邻居优化选取方法的协同过滤推荐方法 | 第23-43页 |
| 3.1 推荐系统框架 | 第23-28页 |
| 3.1.1 用户建模模块 | 第24-26页 |
| 3.1.2 推荐对象建模 | 第26-27页 |
| 3.1.3 推荐算法模块 | 第27-28页 |
| 3.2 传统方法存在的问题 | 第28-30页 |
| 3.3 基于最近邻居优化选取方法的协同过滤推荐算法 | 第30-41页 |
| 3.3.1 可用度计算模型 | 第30-31页 |
| 3.3.2 动态信任度计算模型 | 第31-39页 |
| 3.3.3 最近邻居优化选取方法 | 第39-40页 |
| 3.3.4 基于最近邻居优化选取方法的协同过滤推荐算法流程 | 第40-41页 |
| 3.4 本章小结 | 第41-43页 |
| 第4章 实验设计与结果分析 | 第43-55页 |
| 4.1 实验基础 | 第43-45页 |
| 4.1.1 实验环境 | 第43页 |
| 4.1.2 数据集 | 第43-45页 |
| 4.2 评价标准 | 第45-46页 |
| 4.3 实验设计和结果分析 | 第46-54页 |
| 4.3.1 模型实验 | 第46-51页 |
| 4.3.2 对比实验 | 第51-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第5章 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55-56页 |
| 5.2 展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 发表论文和参加科研情况说明 | 第61-63页 |
| 致谢 | 第63页 |
