| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11页 |
| 1.2 研究现状 | 第11-16页 |
| 1.2.1 国内外智能推荐技术研究现状 | 第12-13页 |
| 1.2.2 智能推荐技术在传统互动点播业务的应用现状 | 第13-15页 |
| 1.2.3 智能推荐技术面临的挑战 | 第15-16页 |
| 1.3 研究内容 | 第16-18页 |
| 第2章 智能推荐系统及相关技术分析 | 第18-29页 |
| 2.1 智能推荐系统介绍 | 第18-22页 |
| 2.1.1 智能推荐系统的定义 | 第18-21页 |
| 2.1.2 智能推荐系统的组成 | 第21-22页 |
| 2.2 用户建模相关技术 | 第22-26页 |
| 2.2.1 用户模型输入 | 第23-24页 |
| 2.2.2 模型表示方法 | 第24-25页 |
| 2.2.3 建模方法 | 第25-26页 |
| 2.3 智能推荐的主要算法 | 第26-29页 |
| 2.3.1 热门推荐算法(Ranking) | 第26-27页 |
| 2.3.2 关联规则(Association Rules) | 第27页 |
| 2.3.3 协同过滤(Collaborative Filtering) | 第27-29页 |
| 第3章 组合推荐算法 | 第29-45页 |
| 3.1 组合推荐算法的技术分析 | 第29-34页 |
| 3.1.1 基于热门推荐算法和基于协同过滤算法相互比较 | 第30-32页 |
| 3.1.2 组合推荐算法常见思路 | 第32-34页 |
| 3.2 基于热门推荐和基于协同过滤的组合推荐算法思路 | 第34-35页 |
| 3.3 基于热门推荐和协同过滤的组合推荐算法流程 | 第35-41页 |
| 3.3.1 用户-影片类型权重计算 | 第37-38页 |
| 3.3.2 热门推荐算法推荐 | 第38-39页 |
| 3.3.3 协同过滤算法推荐 | 第39-40页 |
| 3.3.4 组合推荐算法推荐 | 第40-41页 |
| 3.4 实验与分析 | 第41-43页 |
| 3.4.1 实验数据集 | 第41页 |
| 3.4.2 实验环境 | 第41-42页 |
| 3.4.3 度量标准 | 第42-43页 |
| 3.5 实验结果及分析 | 第43-45页 |
| 第4章 云媒体电视智能推荐系统的设计与实现 | 第45-53页 |
| 4.1 系统总体构架设计 | 第45-46页 |
| 4.2 系统子模块设计 | 第46-48页 |
| 4.2.1 影片元数据采集模块 | 第46页 |
| 4.2.2 用户行为记录采集模块 | 第46-47页 |
| 4.2.3 构建用户模型 | 第47页 |
| 4.2.4 推荐引擎 | 第47-48页 |
| 4.3 系统部署方案 | 第48-50页 |
| 4.3.1 性能指标 | 第49页 |
| 4.3.2 测试环境 | 第49-50页 |
| 4.3.3 性能结果 | 第50页 |
| 4.4 推荐场景介绍 | 第50-53页 |
| 第5章 结论与展望 | 第53-55页 |
| 5.1 结论 | 第53页 |
| 5.2 展望 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-58页 |
