| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 协同过滤算法的国内外研究现状 | 第9-10页 |
| 1.3 研究内容 | 第10-11页 |
| 1.4 本文的内容组织 | 第11-12页 |
| 第2章 相关技术基础 | 第12-24页 |
| 2.1 推荐系统概述 | 第12-15页 |
| 2.1.1 推荐系统的构成 | 第12-13页 |
| 2.1.2 主要的几种推荐技术 | 第13-15页 |
| 2.2 推荐算法 | 第15-21页 |
| 2.2.1 协同过滤推荐算法 | 第15-17页 |
| 2.2.2 推荐系统的测评指标 | 第17-19页 |
| 2.2.3 推荐系统存在的问题 | 第19-21页 |
| 2.3 聚类算法 | 第21-22页 |
| 2.3.1 基于划分的聚类 | 第21-22页 |
| 2.3.2 基于层次的聚类方法 | 第22页 |
| 2.3.3 基于网格的聚类算法 | 第22页 |
| 2.4 本章小结 | 第22-24页 |
| 第3章 基于用户兴趣度聚类的推荐算法的研究 | 第24-37页 |
| 3.1 常见的相似度计算模型 | 第24-27页 |
| 3.2 基于用户聚类的推荐算法的模型 | 第27-28页 |
| 3.2.1 基于用户聚类的推荐算法的研究 | 第27页 |
| 3.2.2 基于评分聚类的协同过滤推荐算法 | 第27-28页 |
| 3.3 基于用户兴趣度聚类的推荐算法的模型 | 第28-33页 |
| 3.3.1 用户兴趣度模型 | 第29-31页 |
| 3.3.2 基于用户兴趣度的聚类算法 | 第31-32页 |
| 3.3.3 基于用户兴趣度聚类的协同过滤推荐算法 | 第32-33页 |
| 3.4 实验结果与分析 | 第33-36页 |
| 3.4.1 实验数据 | 第33-34页 |
| 3.4.2 实验结果 | 第34-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 基于用户兴趣度分类的推荐算法的研究 | 第37-45页 |
| 4.1 用户兴趣度分类解决的问题 | 第37-38页 |
| 4.2 基于用户兴趣度分类的推荐算法的模型 | 第38-41页 |
| 4.2.1 基于用户兴趣度分类 | 第38-40页 |
| 4.2.2 用户之间相似度的计算 | 第40-41页 |
| 4.3 实验结果与分析 | 第41-44页 |
| 4.3.1 基于用户分类的协同过滤算法与其他算法的对比实验 | 第41-42页 |
| 4.3.2 改进相似度计算后的实验对比 | 第42-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第5章 总结与展望 | 第45-47页 |
| 5.1 工作总结 | 第45-46页 |
| 5.2 下一步的工作 | 第46-47页 |
| 参考文献 | 第47-52页 |
| 致谢 | 第52-53页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第53页 |