| 摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 第一章 绪论 | 第12-19页 |
| ·研究背景与意义 | 第12-13页 |
| ·国内外研究现状 | 第13-17页 |
| ·论文主要研究内容 | 第17页 |
| ·论文的组织结构 | 第17-19页 |
| 第二章 个性化推荐技术研究综述 | 第19-37页 |
| ·个性化推荐系统定义与构成 | 第19-20页 |
| ·个性化推荐技术 | 第20-28页 |
| ·协同过滤推荐 | 第21-24页 |
| ·基于内容的推荐 | 第24-25页 |
| ·基于人口统计学的推荐 | 第25-26页 |
| ·基于规则的推荐 | 第26-27页 |
| ·基于知识的推荐 | 第27页 |
| ·基于效用的推荐 | 第27页 |
| ·混合推荐 | 第27-28页 |
| ·个性化推荐系统评测 | 第28-32页 |
| ·用户满意度 | 第29页 |
| ·预测准确度 | 第29-30页 |
| ·覆盖率 | 第30页 |
| ·多样性 | 第30-31页 |
| ·新颖性 | 第31页 |
| ·惊喜度 | 第31页 |
| ·信任度 | 第31页 |
| ·实时性 | 第31-32页 |
| ·健壮性 | 第32页 |
| ·商业目标 | 第32页 |
| ·个性化推荐系统的评测标准数据集 | 第32-33页 |
| ·个性化推荐技术的挑战 | 第33-36页 |
| ·数据稀疏性问题 | 第33-34页 |
| ·冷启动问题 | 第34页 |
| ·大数据处理与增量计算问题 | 第34页 |
| ·多样性与精确性的两难困境 | 第34-35页 |
| ·个性化推荐系统的脆弱性问题 | 第35页 |
| ·用户行为模式的挖掘和利用 | 第35页 |
| ·个性化推荐系统效果评估 | 第35页 |
| ·用户界面与用户体验 | 第35-36页 |
| ·多维数据的交叉利用 | 第36页 |
| ·社会推荐 | 第36页 |
| ·本章小结 | 第36-37页 |
| 第三章 个性化推荐系统的架构 | 第37-46页 |
| ·在线系统 | 第38-44页 |
| ·行为特征提取模块 | 第38页 |
| ·推荐算法模块 | 第38-41页 |
| ·过滤模块 | 第41-42页 |
| ·排名模块 | 第42-43页 |
| ·推荐解释模块 | 第43-44页 |
| ·离线系统 | 第44-45页 |
| ·用户行为模型 | 第44页 |
| ·用户聚类/项目分类 | 第44页 |
| ·用户反馈模型 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第四章 基于 K-means 的多兴趣协同过滤算法 | 第46-61页 |
| ·相关技术 | 第46-48页 |
| ·SVD 分解 | 第46-47页 |
| ·K-means 算法 | 第47-48页 |
| ·在评分预测问题上的算法设计 | 第48-54页 |
| ·算法具体步骤 | 第49-52页 |
| ·实验结果及分析 | 第52-54页 |
| ·在 TopN 推荐上的算法设计 | 第54-60页 |
| ·算法具体步骤 | 第55-58页 |
| ·实验结果及分析 | 第58-60页 |
| ·本章小结 | 第60-61页 |
| 第五章 基于图模型的个性化推荐算法 | 第61-75页 |
| ·用户行为数据在二部图上的表示 | 第61-62页 |
| ·基于图模型的推荐算法 | 第62-67页 |
| ·基于随机游走的 PersonalRank 算法 | 第63-65页 |
| ·基于资源分配的算法 | 第65-66页 |
| ·路径融合算法 | 第66-67页 |
| ·融入时间信息的图模型推荐算法 | 第67-71页 |
| ·改进的 PersonalRank 算法 | 第69页 |
| ·改进的路径融合算法 | 第69-71页 |
| ·实验结果及分析 | 第71-74页 |
| ·实验数据 | 第71页 |
| ·评价标准 | 第71-72页 |
| ·实验结果及讨论 | 第72-74页 |
| ·本章小结 | 第74-75页 |
| 第六章 结论 | 第75-77页 |
| ·本文的主要贡献 | 第75-76页 |
| ·下一步工作的展望 | 第76-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-83页 |
| 攻硕期间取得的研究成果 | 第83-84页 |