| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外的研究现状与应用 | 第12-15页 |
| 1.2.1 基于关联规则的推荐算法 | 第13页 |
| 1.2.2 基于网络结构的推荐算法 | 第13-14页 |
| 1.2.3 协同过滤推荐算法 | 第14-15页 |
| 1.2.4 其他推荐算法 | 第15页 |
| 1.3 本文主要研究内容 | 第15-16页 |
| 1.4 论文结构安排 | 第16-18页 |
| 第二章 相关概念和算法阐述 | 第18-34页 |
| 2.1 推荐算法相关概念 | 第18-21页 |
| 2.1.1 用户评分矩阵 | 第18页 |
| 2.1.2 矩阵稀疏度 | 第18-19页 |
| 2.1.3 物品属性特征 | 第19-20页 |
| 2.1.4 性能评价指标 | 第20-21页 |
| 2.2 BP神经网络 | 第21-26页 |
| 2.2.1 网络结构 | 第21-23页 |
| 2.2.2 训练过程 | 第23-26页 |
| 2.3 K-Means聚类算法 | 第26-27页 |
| 2.4 传统基于近邻的协同过滤算法 | 第27-33页 |
| 2.4.1 算法实现 | 第27-29页 |
| 2.4.2 算法扩展性问题 | 第29-30页 |
| 2.4.3 评分矩阵稀疏问题 | 第30-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 基于评分偏好特征聚类分析的改进协同过滤算法 | 第34-44页 |
| 3.1 问题描述 | 第34页 |
| 3.2 算法具体实现 | 第34-41页 |
| 3.2.1 构建评分预测模型 | 第34-38页 |
| 3.2.2 提取评分偏好特征向量 | 第38-39页 |
| 3.2.3 评分偏好特征聚类分析 | 第39-40页 |
| 3.2.4 筛选近邻用户 | 第40页 |
| 3.2.5 评分预测 | 第40-41页 |
| 3.3 算法复杂度分析 | 第41-43页 |
| 3.3.1 时间复杂度 | 第41-42页 |
| 3.3.2 空间复杂度 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 基于近邻用户预测误差的改进协同过滤算法 | 第44-50页 |
| 4.1 问题描述 | 第44页 |
| 4.2 算法具体实现 | 第44-47页 |
| 4.2.1 构建评分预测模型 | 第44-45页 |
| 4.2.2 近邻用户预测误差计算 | 第45-46页 |
| 4.2.3 筛选近邻用户 | 第46-47页 |
| 4.2.4 评分预测 | 第47页 |
| 4.3 算法复杂度分析 | 第47-49页 |
| 4.3.1 时间复杂度 | 第47-48页 |
| 4.3.2 空间复杂度 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 实验过程与结果分析 | 第50-67页 |
| 5.1 实验方案 | 第50-52页 |
| 5.1.1 实验数据集 | 第50-51页 |
| 5.1.2 实验步骤 | 第51-52页 |
| 5.1.3 符号说明 | 第52页 |
| 5.2 基于评分偏好特征聚类分析的改进算法仿真结果 | 第52-60页 |
| 5.2.1 算法模型参数设置 | 第52-55页 |
| 5.2.2 测试结果对比 | 第55-59页 |
| 5.2.3 实验分析总结 | 第59-60页 |
| 5.3 基于近邻用户预测误差的改进算法仿真结果 | 第60-66页 |
| 5.3.1 算法模型参数设置 | 第60-63页 |
| 5.3.2 测试结果对比 | 第63-65页 |
| 5.3.3 实验分析总结 | 第65-66页 |
| 5.4 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-70页 |
| 6.1 论文工作总结 | 第67-68页 |
| 6.2 进一步工作展望 | 第68-70页 |
| 参考文献 | 第70-75页 |
| 附录1 | 第75-80页 |
| 攻读硕士学位期间取得的研究成果 | 第80-81页 |
| 致谢 | 第81-82页 |
| 附件 | 第82页 |