| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 主要研究内容 | 第11页 |
| 1.4 论文组织结构 | 第11-13页 |
| 第2章 推荐算法及相关技术概述 | 第13-29页 |
| 2.1 推荐系统简介 | 第13-16页 |
| 2.1.1 常用推荐算法分类 | 第13-15页 |
| 2.1.2 常用推荐算法优缺点 | 第15-16页 |
| 2.2 协同过滤推荐 | 第16-24页 |
| 2.2.1 协同过滤推荐算法简介 | 第16-18页 |
| 2.2.2 协同过滤推荐算法分类 | 第18-21页 |
| 2.2.3 相似度量方法 | 第21-23页 |
| 2.2.4 协同过滤推荐算法面临的挑战 | 第23-24页 |
| 2.3 推荐算法性能评价 | 第24-26页 |
| 2.3.1 数据集 | 第24-25页 |
| 2.3.2 评价标准 | 第25-26页 |
| 2.4 聚类分析概述 | 第26-28页 |
| 2.4.1 常用聚类技术及其算法 | 第27-28页 |
| 2.4.2 聚类分析技术的应用 | 第28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于相似度改进的协同过滤推荐算法 | 第29-42页 |
| 3.1 传统相似度量方法不足分析 | 第29-30页 |
| 3.2 已有解决办法 | 第30-32页 |
| 3.3 一种改进的相似度量方法 | 第32-35页 |
| 3.3.1 共同偏好度 | 第32-33页 |
| 3.3.2 融入共同偏好度的相似度量 | 第33-34页 |
| 3.3.3 共同项目评分偏差衡量相似度 | 第34-35页 |
| 3.4 基于相似度改进的协同过滤算法 | 第35-37页 |
| 3.5 实验设置与结果分析 | 第37-41页 |
| 3.5.1 实验数据集 | 第37页 |
| 3.5.2 实验评估指标 | 第37页 |
| 3.5.3 实验一：参数 β 的影响 | 第37-38页 |
| 3.5.4 实验二：验证改进后的相似度量方法 | 第38-40页 |
| 3.5.5 实验三：验证基于相似度改进的协同过滤算法 | 第40-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第4章 基于K-means聚类改进的协同过滤推荐算法 | 第42-54页 |
| 4.1 数据稀疏性问题分析 | 第42页 |
| 4.2 基于聚类的协同过滤推荐算法 | 第42-44页 |
| 4.3 K-means聚类算法简介 | 第44-46页 |
| 4.3.1 K-means聚类算法原理 | 第44-45页 |
| 4.3.2 K-means聚类算法过程 | 第45-46页 |
| 4.4 Slope One算法简介 | 第46-48页 |
| 4.5 基于K-means聚类改进的协同过滤推荐算法 | 第48-50页 |
| 4.5.1 基于K-means聚类改进的协同过滤推荐算法设计 | 第48页 |
| 4.5.2 基于K-means聚类改进的协同过滤推荐算法过程 | 第48-50页 |
| 4.6 实验设置与结果分析 | 第50-53页 |
| 4.6.1 实验数据集设置 | 第50页 |
| 4.6.2 实验评估指标 | 第50页 |
| 4.6.3 实验一：聚类个数k值 | 第50-51页 |
| 4.6.4 实验二：验证基于K-means聚类改进的协同过滤推荐算法 | 第51-53页 |
| 4.7 本章小结 | 第53-54页 |
| 第5章 总结与展望 | 第54-56页 |
| 5.1 总结 | 第54-55页 |
| 5.2 下一步工作 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61-62页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第62页 |
