| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 研究意义 | 第14-15页 |
| 1.4 研究内容 | 第15页 |
| 1.5 论文结构 | 第15-18页 |
| 第2章 个性化推荐技术及理论 | 第18-30页 |
| 2.1 个性化推荐技术 | 第18-24页 |
| 2.1.1 基于关联规则推荐技术 | 第18-19页 |
| 2.1.2 基于内容推荐技术 | 第19页 |
| 2.1.3 基于协同过滤推荐技术 | 第19-23页 |
| 2.1.4 基于知识推荐技术 | 第23页 |
| 2.1.5 其他推荐技术 | 第23-24页 |
| 2.1.6 各种推荐技术优缺点比对总结 | 第24页 |
| 2.2 个性化推荐技术评价指标 | 第24-25页 |
| 2.3 聚类算法的分析 | 第25-28页 |
| 2.3.1 聚类算法 | 第25-26页 |
| 2.3.2 几种重要的聚类算法 | 第26-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第3章 数据稀疏环境下聚类和相似性优化 | 第30-46页 |
| 3.1 聚类与协同过滤联合应用 | 第30-34页 |
| 3.1.1 基于用户聚类的协同过滤技术 | 第30-31页 |
| 3.1.2 基于项目聚类的协同过滤技术 | 第31-32页 |
| 3.1.3 基于双重聚类的协同过滤技术 | 第32-34页 |
| 3.2 针对实时性低的用户k-means划分聚类优化 | 第34-39页 |
| 3.2.1 k-means划分聚类算法的实现和不足 | 第34-36页 |
| 3.2.2 针对实时性低的优化目标 | 第36页 |
| 3.2.3 针对实时性低提出优化 | 第36-39页 |
| 3.3 针对数据稀疏的基于项目聚类优化 | 第39-41页 |
| 3.3.1 针对数据稀疏性的优化目标 | 第39-40页 |
| 3.3.2 针对数据稀疏性提出优化 | 第40-41页 |
| 3.4 针对数据稀疏的相似性优化 | 第41-43页 |
| 3.4.1 三种常用相似性的分析 | 第41-42页 |
| 3.4.2 调和相似度的提出 | 第42-43页 |
| 3.4.3 基于项目类型权重的项目间相似性的提出 | 第43页 |
| 3.5 针对新项目冷启动的优化 | 第43-44页 |
| 3.5.1 针对新项目冷启动的优化目标 | 第43-44页 |
| 3.5.2 针对新项目冷启动提出优化 | 第44页 |
| 3.6 本章小结 | 第44-46页 |
| 第4章 基于用户兴趣和双重聚类的协同过滤算法设计 | 第46-66页 |
| 4.1 问题描述 | 第46-47页 |
| 4.2 基于用户兴趣和双重聚类的协同过滤算法架构 | 第47-49页 |
| 4.3 基于用户兴趣和双重聚类的协同过滤算法设计步骤 | 第49-63页 |
| 4.3.1 数据的准备和获取 | 第50页 |
| 4.3.2 聚类的优化设计及实现 | 第50-54页 |
| 4.3.3 两种新型相似性的设计 | 第54-61页 |
| 4.3.4 最近邻的形成 | 第61-62页 |
| 4.3.5 预测评分及融合 | 第62-63页 |
| 4.3.6 产生推荐 | 第63页 |
| 4.4 基于用户兴趣和双重聚类的协同过滤算法要点分析 | 第63-64页 |
| 4.5 本章小结 | 第64-66页 |
| 第5章 基于用户兴趣和双重聚类的协同过滤算法实验分析 | 第66-82页 |
| 5.1 开发环境搭建 | 第66页 |
| 5.2 实验数据集MovieLens(ml-100k) | 第66-69页 |
| 5.3 实验结果的评价 | 第69-70页 |
| 5.4 实验设计与结果对比分析 | 第70-81页 |
| 5.4.1 基于用户k-means划分聚类改进的有效性 | 第70-73页 |
| 5.4.2 数据填充预处理的有效性 | 第73-74页 |
| 5.4.3 改进算法中各项因子的最佳取值 | 第74-76页 |
| 5.4.4 两种新型相似性在解决数据稀疏的优越性 | 第76-78页 |
| 5.4.5 缓解新项目冷启动的有效性 | 第78-80页 |
| 5.4.6 改进后算法的综合性能 | 第80-81页 |
| 5.5 本章小结 | 第81-82页 |
| 结论 | 第82-84页 |
| 参考文献 | 第84-88页 |
| 攻读硕士学位期间所取得的研究成果 | 第88-90页 |
| 致谢 | 第90-91页 |
