| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 个性化推荐系统及主要算法简介 | 第9-11页 |
| 1.2.1 个性化推荐系统 | 第9-10页 |
| 1.2.2 推荐系统主要算法 | 第10-11页 |
| 1.3 协同过滤算法研究现状 | 第11-13页 |
| 1.4 论文研究内容 | 第13页 |
| 1.5 论文结构 | 第13-15页 |
| 第二章 协同过滤推荐算法简介 | 第15-22页 |
| 2.1 协同过滤推荐算法 | 第15-17页 |
| 2.1.1 协同过滤算法介绍 | 第15-16页 |
| 2.1.2 协同过滤推荐算法分类 | 第16-17页 |
| 2.2 协同过滤推荐算法流程 | 第17-19页 |
| 2.2.1 用户-项目评分关系模型 | 第17-18页 |
| 2.2.2 相似性计算 | 第18-19页 |
| 2.2.3 预测偏好生成推荐 | 第19页 |
| 2.3 算法性能评估方法 | 第19-20页 |
| 2.3.1 数据集 | 第20页 |
| 2.3.2 评价指标 | 第20页 |
| 2.4 本章小结 | 第20-22页 |
| 第三章 协同过滤算法中过滤噪声方法研究 | 第22-33页 |
| 3.1 推荐系统中噪声数据的影响 | 第22-23页 |
| 3.2 离群点检测算法简介 | 第23-25页 |
| 3.2.1 离群点挖掘概述 | 第23页 |
| 3.2.2 离群点检测算法分类概述 | 第23-25页 |
| 3.3 引入局部密度离群点算法的原因 | 第25-26页 |
| 3.4 基于密度的局部离群点算法 | 第26-28页 |
| 3.5 协同过滤推荐算法中利用离群点检测算法过滤噪声数据 | 第28-32页 |
| 3.5.1 数据描述 | 第28-29页 |
| 3.5.2 算法流程 | 第29-31页 |
| 3.5.3 算法伪代码 | 第31-32页 |
| 3.6 本章小结 | 第32-33页 |
| 第四章 改进的协同过滤算法与离群点检测算法的结合 | 第33-48页 |
| 4.1 改进相似度计算方法 | 第33-35页 |
| 4.1.1 问题的阐述与分析 | 第33-34页 |
| 4.1.2 改进算法所提依据 | 第34-35页 |
| 4.2 利用基于用户特征的填充法缓解数据稀疏性 | 第35-37页 |
| 4.2.1 问题的阐述与分析 | 第35-36页 |
| 4.2.2 改进算法所提依据 | 第36-37页 |
| 4.3 改进的相似度计算方法与离群点检测算法的结合 | 第37-41页 |
| 4.3.1 数据建模 | 第37-38页 |
| 4.3.2 最近邻选取 | 第38-39页 |
| 4.3.3 离群点检测算法过滤邻域中的噪声数据 | 第39页 |
| 4.3.4 算法描述 | 第39-41页 |
| 4.4 基于用户特征的填充法与离群点检测算法的结合 | 第41-47页 |
| 4.4.1 用户特征的描述 | 第42-43页 |
| 4.4.2 数据建模及相似度计算 | 第43-44页 |
| 4.4.3 填充用户评分矩阵 | 第44-45页 |
| 4.4.4 协同过滤推荐算法流程 | 第45页 |
| 4.4.5 算法描述 | 第45-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第五章 改进算法实验与结果分析 | 第48-56页 |
| 5.1 实验环境 | 第48页 |
| 5.2 实验数据 | 第48-49页 |
| 5.3 实验评价方法 | 第49-50页 |
| 5.4 实验方案与结果分析 | 第50-54页 |
| 5.4.1 实验方案一 | 第50-51页 |
| 5.4.2 实验方案二 | 第51-53页 |
| 5.4.3 实验方案三 | 第53-54页 |
| 5.5 实验小结 | 第54-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 论文总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 附录1攻读硕士学位期间撰写的论文 | 第61-62页 |
| 致谢 | 第62页 |
