基于协同过滤的电影推荐系统的构建
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 缩略语对照表 | 第11-15页 |
| 第一章 绪论 | 第15-23页 |
| ·研究背景 | 第15-16页 |
| ·研究现状 | 第16-18页 |
| ·协同过滤存在的问题 | 第18-19页 |
| ·课题研究的必要性 | 第19页 |
| ·本文主要工作和创新性 | 第19-20页 |
| ·本文组织架构 | 第20-23页 |
| 第二章 推荐系统 | 第23-31页 |
| ·推荐系统 | 第23页 |
| ·数据挖掘 | 第23-24页 |
| ·推荐算法 | 第24-26页 |
| ·基于内容推荐 | 第25页 |
| ·基于关联规则推荐 | 第25页 |
| ·基于聚类的推荐 | 第25-26页 |
| ·基于分类的推荐 | 第26页 |
| ·组合推荐 | 第26页 |
| ·协同过滤 | 第26-29页 |
| ·本章小结 | 第29-31页 |
| 第三章 基于协同过滤的电影推荐系统的构建 | 第31-51页 |
| ·系统所采用的技术介绍 | 第32-39页 |
| ·Mysql数据库 | 第32页 |
| ·Tomcat服务器 | 第32页 |
| ·JSP | 第32页 |
| ·MVC | 第32-33页 |
| ·Spring框架 | 第33-35页 |
| ·Hibernate框架 | 第35-36页 |
| ·Struts2框架 | 第36-37页 |
| ·Mahout | 第37-39页 |
| ·系统功能模块介绍与分析 | 第39-40页 |
| ·用户信息管理模块 | 第39页 |
| ·电影信息管理模块 | 第39页 |
| ·推荐引擎 | 第39-40页 |
| ·数据分析引擎 | 第40页 |
| ·系统功能模块设计 | 第40-42页 |
| ·用户注册 | 第40页 |
| ·新电影上架 | 第40-41页 |
| ·用户对电影评分 | 第41页 |
| ·给用户推荐电影 | 第41-42页 |
| ·数据库设计 | 第42-44页 |
| ·t_user用户表 | 第42页 |
| ·t_movie电影表 | 第42-43页 |
| ·t_user_history用户历史记录表 | 第43页 |
| ·t_movie_sim电影相似度表 | 第43页 |
| ·t_user_score用户评分表 | 第43-44页 |
| ·t_tag标签表 | 第44页 |
| ·相关界面展示 | 第44-48页 |
| ·本章小结 | 第48-51页 |
| 第四章 协同过滤推荐算法改进 | 第51-61页 |
| ·引言 | 第51页 |
| ·Slope One算法 | 第51-54页 |
| ·Slope One推荐算法描述 | 第51-52页 |
| ·Slope One算法流程 | 第52-53页 |
| ·相似性计算方法 | 第53-54页 |
| ·相似性计算方法分析 | 第54页 |
| ·算法改进 | 第54-56页 |
| ·算法流程 | 第55-56页 |
| ·算法在系统中的应用体现 | 第56-60页 |
| ·本章小结 | 第60-61页 |
| 第五章 实验结果及分析 | 第61-73页 |
| ·引言 | 第61-62页 |
| ·推荐系统的评测方法 | 第62页 |
| ·数据集 | 第62页 |
| ·评测指标 | 第62-64页 |
| ·预测准确度 | 第63页 |
| ·TopN推荐 | 第63-64页 |
| ·覆盖率 | 第64页 |
| ·实验结果 | 第64-68页 |
| ·实验结果分析 | 第68-72页 |
| ·本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| ·总结 | 第73页 |
| ·展望 | 第73-75页 |
| 参考文献 | 第75-77页 |
| 致谢 | 第77-79页 |
| 作者简介 | 第79-80页 |
