| 摘要 | 第1-4页 |
| ABSTRACT | 第4-6页 |
| 目录 | 第6-9页 |
| 表格索引 | 第9-10页 |
| 插图索引 | 第10-11页 |
| 第一章 绪论 | 第11-17页 |
| ·引言 | 第11-12页 |
| ·推荐系统 | 第12-14页 |
| ·本课题研究内容 | 第14-15页 |
| ·本文的组织结构 | 第15-17页 |
| 第二章 国内外研究现状 | 第17-35页 |
| ·推荐系统发展历程 | 第17-22页 |
| ·Tapestry: 最早的协同过滤系统之一 | 第17-18页 |
| ·GroupLens 和 MovieLens: 新闻推荐系统和电影推荐系统 | 第18-19页 |
| ·Netflix 大奖:推荐系统领域最著名的比赛活动 | 第19-20页 |
| ·电子商务领域推荐系统的兴起 | 第20-22页 |
| ·相关推荐算法 | 第22-35页 |
| ·基于内容的推荐 | 第22-25页 |
| ·基于协同过滤的推荐 | 第25-32页 |
| ·基于用户-产品二部图网络结构的推荐 | 第32页 |
| ·混合推荐 | 第32-33页 |
| ·其他 | 第33-35页 |
| 第三章 优化相似度衡量方法 | 第35-49页 |
| ·基于用户近邻的推荐算法框架 | 第36-37页 |
| ·常用相似度算法 | 第37-39页 |
| ·夹角余弦相似性 | 第37-38页 |
| ·修正的夹角余弦相似性 | 第38页 |
| ·皮尔逊相关系数 | 第38-39页 |
| ·问题与不足 | 第39-40页 |
| ·数据稀疏性问题 | 第39页 |
| ·可扩展性问题 | 第39页 |
| ·冷启动问题 | 第39-40页 |
| ·计数相似性算法（Counting Similarity） | 第40-41页 |
| ·用户相似度的传递（Similarity Transfer） | 第41-43页 |
| ·实验与分析 | 第43-47页 |
| ·数据集 | 第43-44页 |
| ·评估标准与实验设置 | 第44页 |
| ·计数相似性的效果 | 第44-45页 |
| ·在不同稀疏性数据集上的结果 | 第45-47页 |
| ·本章小结 | 第47-49页 |
| 第四章 基于Slope One 的算法优化和改进 | 第49-69页 |
| ·Slope One 算法 | 第50-52页 |
| ·加权Slope One 算法 | 第52页 |
| ·基于机器学习的Slope One 算法 | 第52-59页 |
| ·基于学习的Slope One 算法（The Learned Slope One Ap-proach） | 第52-53页 |
| ·基于学习的偏置 Slope One 算法（The Biased Learned Slope One Approach） | 第53-55页 |
| ·偏差矩阵的学习 | 第55-56页 |
| ·实验与分析 | 第56-59页 |
| ·基于时间的Slope One 算法 | 第59-67页 |
| ·推荐系统中的时间效应 | 第60-61页 |
| ·偏差矩阵构建阶段 | 第61-62页 |
| ·评分预测阶段 | 第62-63页 |
| ·系统更新阶段 | 第63页 |
| ·实验与分析 | 第63-67页 |
| ·本章小结 | 第67-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 参考文献 | 第71-77页 |
| 致谢 | 第77-79页 |
| 攻读学位期间发表的学术论文目录 | 第79-81页 |
