| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 目录 | 第5-8页 |
| 表格索引 | 第8-12页 |
| 插图索引 | 第12-17页 |
| 主要符号对照表 | 第17-18页 |
| 第一章 绪论 | 第18-28页 |
| 1.1 数据挖掘技术综述 | 第19-22页 |
| 1.1.1 数据挖掘的定义 | 第19-21页 |
| 1.1.2 数据挖掘的基本功能 | 第21-22页 |
| 1.1.3 数据挖掘的应用领域 | 第22页 |
| 1.1.4 国内外数据挖掘工具现状 | 第22页 |
| 1.2 个性化与个性化信息推荐 | 第22-25页 |
| 1.2.1 个性化相关概念 | 第22-24页 |
| 1.2.2 个性化信息推荐 | 第24-25页 |
| 1.3 论文的内容与结构安排 | 第25-26页 |
| 1.4 本章小结 | 第26-28页 |
| 第二章 数据挖掘相关技术介绍 | 第28-34页 |
| 2.1 个性化信息推荐方法 | 第28-29页 |
| 2.2 基于协同过滤算法的个性化信息推荐方法 | 第29-32页 |
| 2.3 用户行为模型 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 基于行为的个性化推荐模型在电影上的应用 | 第34-64页 |
| 3.1 用户的行为序列 | 第34页 |
| 3.2 基于用户行为序列的分析 | 第34-42页 |
| 3.2.1 基于用户行为序列的推荐算法分析 | 第34-35页 |
| 3.2.2 实验的数据集说明 | 第35-36页 |
| 3.2.3 用户行为序列的最佳长度实验 | 第36-42页 |
| 3.3 基于用户行为序列的推荐 | 第42-55页 |
| 3.3.1 行为序列算法与协同过滤算法进行相加 | 第43-46页 |
| 3.3.2 采用行为序列算法与协同过滤级联进行评分预测 | 第46-51页 |
| 3.3.3 行为序列算法与协同过滤算法进行相乘 | 第51-52页 |
| 3.3.4 设定阀值的行为序列算法与协同过滤算法结合 | 第52-55页 |
| 3.4 基于用户行为序列的推荐算法实验结论 | 第55-56页 |
| 3.5 本章小结 | 第56-64页 |
| 第四章 基于行为推荐在网络书籍阅读上的应用 | 第64-78页 |
| 4.1 数据背景 | 第64-65页 |
| 4.2 定义问题 | 第65页 |
| 4.3 基于用户行为序列的推荐系统的应用 | 第65页 |
| 4.3.1 数据准备 | 第65页 |
| 4.3.2 在数据集上的推荐系统测试 | 第65页 |
| 4.4 基于用户行为序列的推荐系统在改进后的用户集上的应用 | 第65-72页 |
| 4.4.1 数据准备 | 第67-69页 |
| 4.4.2 对起点中文网用户进行按时间段分类后进行推荐 | 第69页 |
| 4.4.3 对起点中文网用户进行按省份分类后进行推荐 | 第69-71页 |
| 4.4.4 综合比较原算法与两种改进算法的推荐效果 | 第71-72页 |
| 4.5 推荐系统在起点中文网数据集上测试的结论 | 第72页 |
| 4.6 本章小结 | 第72-78页 |
| 第五章 基于行为与用户偏好结合的个性化推荐模型在电影推荐上的应用 | 第78-104页 |
| 5.1 用户对电影类型的喜好特点统计 | 第78-80页 |
| 5.2 用户对电影类型喜好的预测 | 第80页 |
| 5.3 基于用户行为模型与用户对电影类型偏好的结合的推荐系统 | 第80-92页 |
| 5.3.1 用户电影偏好与行为序列结合算法与协同过滤算法进行相加 | 第81-83页 |
| 5.3.2 用户电影偏好与行为序列结合算法与协同过滤级联进行评分预测 | 第83-88页 |
| 5.3.3 用户电影偏好与行为序列结合算法与协同过滤算法进行相乘 | 第88-89页 |
| 5.3.4 设定阀值的用户电影偏好与行为序列结合算法与协同过滤算法结合 | 第89-92页 |
| 5.4 基于行为与用户偏好结合的个性化推荐模型实验结论 | 第92-93页 |
| 5.5 本章小结 | 第93-104页 |
| 第六章 全文总结 | 第104-108页 |
| 6.1 总结与结论 | 第104-106页 |
| 6.2 改进与展望 | 第106-108页 |
| 参考文献 | 第108-112页 |
| 致谢 | 第112-114页 |
| 攻读学位期间发表的学术论文目录 | 第114-117页 |
| 附件 | 第117页 |
