| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第13-23页 |
| 1.1 课题研究背景 | 第13-14页 |
| 1.2 课题研究意义 | 第14-15页 |
| 1.3 研究现状及问题提出 | 第15-19页 |
| 1.3.1 推荐系统的研究历程 | 第15-16页 |
| 1.3.2 协同推荐的研究现状 | 第16-18页 |
| 1.3.3 问题提出 | 第18-19页 |
| 1.4 本文主要内容和组织结构 | 第19-23页 |
| 1.4.1 主要内容 | 第19-20页 |
| 1.4.2 组织结构 | 第20-23页 |
| 第二章 协同过滤推荐算法概述 | 第23-29页 |
| 2.1 基于邻域的协同过滤推荐算法 | 第23-25页 |
| 2.1.1 基于用户的协同过滤推荐算法 | 第23-24页 |
| 2.1.2 基于项目的协同过滤推荐算法 | 第24-25页 |
| 2.2 评价指标 | 第25-27页 |
| 2.2.1 预测准确度 | 第26页 |
| 2.2.2 分类准确度 | 第26-27页 |
| 2.2.3 覆盖率 | 第27页 |
| 2.3 实验数据集 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于多重信任的协同过滤推荐算法 | 第29-43页 |
| 3.1 引言 | 第29-31页 |
| 3.2 基于多重信任的协同过滤推荐算法 | 第31-38页 |
| 3.2.1 隐性信任评分模型 | 第32-36页 |
| 3.2.2 显性信任关系模型 | 第36-37页 |
| 3.2.3 近邻集合选取策略 | 第37-38页 |
| 3.2.4 预测推荐 | 第38页 |
| 3.3 算法流程 | 第38-39页 |
| 3.4 实验设计与性能分析 | 第39-42页 |
| 3.4.1 数据集及评价指标 | 第39-40页 |
| 3.4.2 实验设计 | 第40页 |
| 3.4.3 实验结果及性能分析 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 基于熵优化近邻选择的协同过滤推荐算法 | 第43-55页 |
| 4.1 引言 | 第43-44页 |
| 4.2 邻居选取模型的设计与相关概念 | 第44-46页 |
| 4.2.1 相关概念 | 第44-45页 |
| 4.2.2 模型设计 | 第45-46页 |
| 4.3 基于熵优化近邻选择的协同过滤算法 | 第46-49页 |
| 4.3.1 基于巴氏系数的邻居选取模型 | 第46-47页 |
| 4.3.2 信息熵贡献因子模型 | 第47-49页 |
| 4.4 算法流程 | 第49-50页 |
| 4.5 算法复杂度分析 | 第50-51页 |
| 4.6 仿真实验与性能分析 | 第51-53页 |
| 4.6.1 数据集及评价指标 | 第51页 |
| 4.6.2 实验结果及性能分析 | 第51-53页 |
| 4.7 本章小结 | 第53-55页 |
| 第五章 融合共同评分用户数和项目兴趣关系的推荐算法 | 第55-63页 |
| 5.1 引言 | 第55-56页 |
| 5.2 算法的相关计算 | 第56-59页 |
| 5.2.1 基于共同评分用户数的相似性模型 | 第56-57页 |
| 5.2.2 基于项目间兴趣关系的相似性模型 | 第57-59页 |
| 5.2.3 融合共同评分用户数和项目兴趣关系的相似性模型 | 第59页 |
| 5.3 算法过程描述 | 第59-60页 |
| 5.4 仿真实验与性能分析 | 第60-62页 |
| 5.4.1 数据集及评价指标 | 第60页 |
| 5.4.2 实验结果及性能分析 | 第60-62页 |
| 5.5 本章小结 | 第62-63页 |
| 第六章 总结和展望 | 第63-65页 |
| 6.1 本文工作总结 | 第63-64页 |
| 6.2 下一步研究工作展望 | 第64-65页 |
| 致谢 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 作者简历 攻读硕士学位期间完成的主要工作 | 第73页 |