| 摘要 | 第1-8页 |
| Abstract | 第8-12页 |
| 第一章 引言 | 第12-19页 |
| ·个性化推荐系统的蓬勃发展 | 第12-16页 |
| ·推荐算法的现状与瓶颈 | 第16-17页 |
| ·本文的研究思路 | 第17-18页 |
| ·论文的结构安排 | 第18-19页 |
| 第二章 相关推荐技术 | 第19-33页 |
| ·协同过滤推荐技术 | 第19-29页 |
| ·其他推荐技术介绍 | 第29-32页 |
| ·本章小结 | 第32-33页 |
| 第三章 个性化推荐系统的框架 | 第33-42页 |
| ·个性化推荐系统框架 | 第33-34页 |
| ·现有的用户模型及相关推荐算法分析 | 第34-36页 |
| ·推荐系统的用户模型分析 | 第34-36页 |
| ·推荐系统相关推荐算法分析 | 第36页 |
| ·用户自适应模型(UAM) | 第36-41页 |
| ·UAM兴趣模型构建 | 第36-41页 |
| ·问题阐述 | 第36-37页 |
| ·兴趣模型构建 | 第37-41页 |
| ·UAM兴趣模型更新 | 第41页 |
| ·本章小结 | 第41-42页 |
| 第四章 ICBD和CFUPS推荐算法 | 第42-52页 |
| ·改进的City-Block-Distance的相似性计算方法(ICBD) | 第42-45页 |
| ·现有相似性计算方法的局限性 | 第42-43页 |
| ·ICBD相似性计算方法 | 第43-45页 |
| ·基于用户兴趣局部相似性的推荐算法(CFUPS) | 第45-51页 |
| ·现有协作过滤算法的主要不足 | 第45-46页 |
| ·CFUPS推荐算法 | 第46-51页 |
| ·用户兴趣局部相似兴趣的挖掘 | 第47-48页 |
| ·计算相似性 | 第48页 |
| ·用户评分的预测 | 第48-51页 |
| ·产生推荐 | 第51页 |
| ·本章小结 | 第51-52页 |
| 第五章 基于UAM兴趣模型的自适应推荐算法(ARA) | 第52-57页 |
| ·ARA算法架构 | 第52页 |
| ·ARA算法介绍 | 第52-55页 |
| ·基于自适应权重的用户相似性计算 | 第52-54页 |
| ·近邻用户计算方法 | 第54-55页 |
| ·预测评分 | 第55页 |
| ·产生推荐 | 第55页 |
| ·本章小结 | 第55-57页 |
| 第六章 实验分析 | 第57-70页 |
| ·算法ICBD的性能分析与对比 | 第57-62页 |
| ·数据集 | 第57-58页 |
| ·实验方法 | 第58页 |
| ·评价尺度 | 第58-59页 |
| ·参数优化 | 第59-60页 |
| ·性能对比 | 第60-62页 |
| ·算法CFUPS的参数分析与性能对比实验 | 第62-66页 |
| ·实验数据集 | 第63页 |
| ·实验方法 | 第63-64页 |
| ·实验结果 | 第64-66页 |
| ·自适应推荐算法ARA的性能对比实验 | 第66-69页 |
| ·数据集 | 第66-67页 |
| ·实验方法 | 第67页 |
| ·实验结果 | 第67-69页 |
| ·本章小结 | 第69-70页 |
| 第七章 结论与展望 | 第70-72页 |
| ·本文工作总结 | 第70页 |
| ·工作展望 | 第70-72页 |
| 附录 | 第72页 |
| 参考文献 | 第72-74页 |
| 后记 | 第74页 |
| 致谢 | 第74页 |