| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 论文研究内容 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-18页 |
| 第二章 相关理论介绍 | 第18-28页 |
| 2.1 推荐算法综述 | 第18-20页 |
| 2.1.1 基于内容推荐算法研究 | 第18页 |
| 2.1.2 基于协同过滤推荐算法研究 | 第18-19页 |
| 2.1.3 基于内容过滤和协同过滤的混合推荐算法研究 | 第19页 |
| 2.1.4 基于数据挖掘的推荐算法研究 | 第19-20页 |
| 2.2 推荐算法评估标准 | 第20-22页 |
| 2.2.1 均方根误差(RMSE) | 第20页 |
| 2.2.2 准确率(Precision) | 第20-21页 |
| 2.2.3 召回率(Recall) | 第21页 |
| 2.2.4 F指数 | 第21-22页 |
| 2.3 推荐算法存在的问题 | 第22-23页 |
| 2.3.1 准确性(Accuracy) | 第22页 |
| 2.3.2 数据稀疏性(Sparsity) | 第22页 |
| 2.3.3 可扩展性(Scalability) | 第22-23页 |
| 2.4 隐马尔可夫模型 | 第23-25页 |
| 2.4.1 马尔可夫链 | 第23-24页 |
| 2.4.2 隐马尔可夫模型 | 第24-25页 |
| 2.4.3 隐马尔可夫三大问题 | 第25页 |
| 2.5 本章小结 | 第25-28页 |
| 第三章 不完信息特征提取 | 第28-38页 |
| 3.1 传统的大规模不完整信息特征提取方法 | 第28-29页 |
| 3.1.1 基于独立成分分析算法的特征提取 | 第28-29页 |
| 3.1.2 基于多元线性回归分析算法的特征提取 | 第29页 |
| 3.2 传统的大规模不完整信息特征提取原理 | 第29-30页 |
| 3.3 基于神经网络的不完整信息特征提取方法 | 第30-34页 |
| 3.3.1 基于神经网络算法的不完整信息聚类处理模型构建 | 第31-32页 |
| 3.3.2 大规模不完整信息特征提取 | 第32-34页 |
| 3.4 实验及仿真 | 第34-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基于融合显式与隐式用户行为特征的隐马尔可夫模型个性化推荐算法 | 第38-52页 |
| 4.1 隐马尔可夫模型的相关算法 | 第38-42页 |
| 4.1.1 前向算法与后向算法 | 第38-40页 |
| 4.1.2 Viterbi算法 | 第40-41页 |
| 4.1.3 Baum-Welch算法 | 第41-42页 |
| 4.2 基于用户行为特征的隐马尔可夫推荐模型构建 | 第42-46页 |
| 4.2.1 用户行为数据融合转化 | 第42-43页 |
| 4.2.2 基于HMM推荐算法描述 | 第43-46页 |
| 4.3 基于HMM模型推荐实例 | 第46-50页 |
| 4.4 本章小结 | 第50-52页 |
| 第五章 实验分析 | 第52-56页 |
| 5.1 实验数据部署 | 第52页 |
| 5.2 实验结果与分析 | 第52-55页 |
| 5.3 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 论文总结 | 第56-57页 |
| 6.2 展望未来 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 | 第62-64页 |
| 致谢 | 第64-65页 |
