| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 用户兴趣建模研究现状 | 第11-12页 |
| 1.2.2 推荐算法研究现状 | 第12-13页 |
| 1.3 本文研究内容 | 第13页 |
| 1.4 组织结构 | 第13-15页 |
| 第二章 推荐系统及其相关技术 | 第15-25页 |
| 2.1 推荐系统的组成部分 | 第15-18页 |
| 2.1.1 推荐系统的输入 | 第15-16页 |
| 2.1.2 推荐系统的核心 | 第16-18页 |
| 2.1.3 推荐系统的输出 | 第18页 |
| 2.2 协同过滤推荐算法 | 第18-23页 |
| 2.2.1 协同过滤算法原理 | 第18-19页 |
| 2.2.2 协同过滤算法实现步骤 | 第19-22页 |
| 2.2.3 协同过滤算法优缺点 | 第22-23页 |
| 2.3 本章小结 | 第23-25页 |
| 第三章 基于用户兴趣的URBCF算法研究 | 第25-47页 |
| 3.1 UserCF算法存在的问题与改进思路 | 第25-26页 |
| 3.1.1 UserCF算法存在的问题 | 第25-26页 |
| 3.1.2 UserCF算法改进思路 | 第26页 |
| 3.2 URBCF推荐算法 | 第26-28页 |
| 3.2.1 URBCF算法框架 | 第27页 |
| 3.2.2 URBCF算法原理 | 第27-28页 |
| 3.2.3 URBCF算法优势 | 第28页 |
| 3.3 URBCF算法实现 | 第28-37页 |
| 3.3.1 用户兴趣建模 | 第28-33页 |
| 3.3.2 个性化推荐 | 第33-37页 |
| 3.4 实验环境及评测指标 | 第37-39页 |
| 3.4.1 开发工具和运行环境 | 第37页 |
| 3.4.2 数据集介绍 | 第37页 |
| 3.4.3 算法评估指标 | 第37-39页 |
| 3.5 实验结果讨论 | 第39-45页 |
| 3.5.1 用户兴趣建模结果讨论 | 第39-42页 |
| 3.5.2 推荐模型结果讨论 | 第42-45页 |
| 3.6 本章小结 | 第45-47页 |
| 第四章 URBCF算法在电信领域ITV节目推荐的应用 | 第47-63页 |
| 4.1 电信领域ITV节目推荐研究背景 | 第47页 |
| 4.2 ITV节目推荐面临的问题 | 第47-48页 |
| 4.3 ITV节目推荐模型流程 | 第48-50页 |
| 4.4 实验过程 | 第50-57页 |
| 4.4.1 数据预处理 | 第50-53页 |
| 4.4.2 ITV用户兴趣模型构建 | 第53-54页 |
| 4.4.3 ITV节目推荐模型构建 | 第54-57页 |
| 4.5 实验结果讨论 | 第57-62页 |
| 4.5.1 ITV用户兴趣模型结果讨论 | 第57-61页 |
| 4.5.2 ITV节目推荐模型结果讨论 | 第61-62页 |
| 4.6 本章小结 | 第62-63页 |
| 总结与展望 | 第63-65页 |
| 总结 | 第63页 |
| 展望 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 附录A ITV节目内容标签与关键字对应关系 | 第71-73页 |
| 攻读硕士学位期间取得的学术成果 | 第73-75页 |
| 致谢 | 第75页 |