| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 论文研究背景与目的意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 发展历程 | 第12-15页 |
| 1.2.2 主要研究问题与方向 | 第15-16页 |
| 1.3 论文研究内容 | 第16-17页 |
| 1.4 论文组织结构 | 第17页 |
| 1.5 本章小结 | 第17-18页 |
| 第二章 相关理论与关键技术 | 第18-29页 |
| 2.1 引言 | 第18页 |
| 2.2 推荐系统概述 | 第18-19页 |
| 2.3 常用的推荐算法 | 第19-27页 |
| 2.3.1 基于协同过滤的推荐算法 | 第20-23页 |
| 2.3.2 基于内容的推荐算法 | 第23-25页 |
| 2.3.3 混合推荐算法 | 第25-27页 |
| 2.3.4 其他推荐算法 | 第27页 |
| 2.4 相关领域技术 | 第27-28页 |
| 2.4.1 信息过滤技术 | 第27-28页 |
| 2.4.2 数据挖掘技术 | 第28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于项目相似度与奇异值分解改进的SLOPE ONE算法 | 第29-40页 |
| 3.1 引言 | 第29-30页 |
| 3.2 基于项目相似度的SLOPE ONE算法 | 第30-33页 |
| 3.2.1 项目相似度的定义与度量 | 第30-31页 |
| 3.2.2 改进思想与流程 | 第31-33页 |
| 3.3 基于奇异值分解的SLOPE ONE算法 | 第33-34页 |
| 3.3.1 矩阵奇异值分解 | 第33页 |
| 3.3.2 改进思想与流程 | 第33-34页 |
| 3.4 基于项目相似度和奇异值分解的混合SLOPE ONE算法 | 第34-37页 |
| 3.5 对比实验 | 第37-39页 |
| 3.5.1 实验环境与实验方案 | 第37页 |
| 3.5.2 数据集 | 第37页 |
| 3.5.3 度量标准 | 第37-38页 |
| 3.5.4 实验结果与分析 | 第38-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第四章 基于K-MEANS改进的VAGUE内容推荐算法 | 第40-50页 |
| 4.1 引言 | 第40页 |
| 4.2 基于VAGUE集的内容推荐算法 | 第40-44页 |
| 4.2.1 Vague集的概念与相似度度量 | 第40-42页 |
| 4.2.2 基于Vague集推荐的算法流程 | 第42-44页 |
| 4.3 基于K-MEANS改进的VAGUE推荐算法 | 第44-48页 |
| 4.3.1 k-means聚类技术 | 第44-45页 |
| 4.3.2 km-Vague算法流程 | 第45-48页 |
| 4.4 对比实验 | 第48-49页 |
| 4.4.1 实验环境与实验方案 | 第48页 |
| 4.4.2 实验数据集 | 第48页 |
| 4.4.3 度量标准 | 第48页 |
| 4.4.4 实验结果与分析 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 电影混合推荐原型系统 | 第50-65页 |
| 5.1 引言 | 第50页 |
| 5.2 混合推荐算法方案 | 第50-52页 |
| 5.3 混合推荐系统需求分析 | 第52-53页 |
| 5.4 混合推荐原型系统设计与实现 | 第53-64页 |
| 5.4.1 系统架构 | 第53-54页 |
| 5.4.2 系统功能结构 | 第54-57页 |
| 5.4.3 系统主要流程 | 第57-60页 |
| 5.4.4 数据库设计 | 第60-63页 |
| 5.4.5 系统实现 | 第63-64页 |
| 5.5 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 工作总结 | 第65页 |
| 6.2 未来展望 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 致谢 | 第70-71页 |
| 攻读学位期间发表的学术论文列表 | 第71页 |
