| 摘要 | 第1-4页 |
| ABSTRACT | 第4-10页 |
| 1 绪论 | 第10-21页 |
| ·研究背景与意义 | 第10-12页 |
| ·研究背景和意义 | 第10-11页 |
| ·实用价值 | 第11-12页 |
| ·国内外研究现状 | 第12-19页 |
| ·电子商务个性化推荐系统国内外研究现状 | 第12-16页 |
| ·各种推荐技术国内外研究现状 | 第16-18页 |
| ·电子商务个性化推荐系统发展趋势 | 第18-19页 |
| ·本文研究内容与组织结构 | 第19-21页 |
| ·论文主要研究内容 | 第19-20页 |
| ·论文结构安排 | 第20-21页 |
| 2 电子商务个性化推荐系统综述 | 第21-32页 |
| ·电子商务个性化推荐系统概述 | 第21-27页 |
| ·电子商务个性化推荐系统的概念 | 第21-22页 |
| ·电子商务个性化推荐系统的研究内容 | 第22-23页 |
| ·电子商务个性化推荐系统构成 | 第23-27页 |
| ·电子商务个性化推荐系统推荐技术 | 第27-32页 |
| ·基于内容过滤的推荐技术 | 第27-28页 |
| ·基于规则的推荐技术 | 第28页 |
| ·基于协同过滤的推荐技术 | 第28-29页 |
| ·其他推荐技术 | 第29-30页 |
| ·各种推荐技术比较 | 第30-32页 |
| 3 协同过滤推荐算法 | 第32-48页 |
| ·协同过滤推荐算法概述 | 第32-37页 |
| ·协同过滤概念 | 第32-34页 |
| ·协同过滤推荐技术的原理和实现 | 第34-37页 |
| ·传统的协同过滤推荐算法 | 第37-45页 |
| ·协同过滤推荐算法分类 | 第37-38页 |
| ·基于用户的协同过滤算法 | 第38-42页 |
| ·基于项目的协同过滤算法 | 第42-44页 |
| ·传统协同过滤推荐算法的优缺点 | 第44-45页 |
| ·基于协同过滤电子商务推荐系统存在的瓶颈 | 第45-48页 |
| 4 协同过滤推荐算法的改进 | 第48-63页 |
| ·问题分析 | 第48-50页 |
| ·数据稀疏性 | 第48-49页 |
| ·时间因素 | 第49-50页 |
| ·改进思路 | 第50-58页 |
| ·奇异值分解的引入 | 第50-52页 |
| ·BP神经网络的引入 | 第52-58页 |
| ·时间权重的引入 | 第58页 |
| ·改进算法:基于SVD和时间加权的协同过滤推荐算法 | 第58-63页 |
| ·算法流程 | 第59-60页 |
| ·对用户-项目评分矩阵降维 | 第60页 |
| ·计算用户间相似性并寻找最近邻 | 第60-61页 |
| ·产生推荐 | 第61页 |
| ·改进算法描述 | 第61-62页 |
| ·算法分析 | 第62-63页 |
| 5 协同过滤改进算法的仿真测试 | 第63-79页 |
| ·数据集和评估标准 | 第63-66页 |
| ·数据集 | 第63-65页 |
| ·评估标准 | 第65-66页 |
| ·整体设计方案 | 第66-67页 |
| ·运行环境 | 第66页 |
| ·设计方案 | 第66-67页 |
| ·仿真过程 | 第67-73页 |
| ·奇异值分解过程 | 第68-69页 |
| ·BP神经网络进行未评分项填充 | 第69-70页 |
| ·用户间相似性计算 | 第70-71页 |
| ·最近邻居生成 | 第71-72页 |
| ·产生推荐 | 第72页 |
| ·基于时间加权的推测 | 第72-73页 |
| ·结果分析 | 第73-79页 |
| ·不同数据稀疏程度下推荐性能的比较 | 第73-75页 |
| ·不同最近邻居个数情况下推荐性能的比较 | 第75-77页 |
| ·分析与总结 | 第77-79页 |
| 6 总结与展望 | 第79-81页 |
| ·总结 | 第79-80页 |
| ·展望 | 第80-81页 |
| 参考文献 | 第81-85页 |
| 后记 | 第85-86页 |