| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10-13页 |
| 1.1.1 课题来源及意义 | 第10-11页 |
| 1.1.2 国内外研究现状 | 第11-13页 |
| 1.2 课题主要研究内容 | 第13-14页 |
| 1.3 论文组织结构 | 第14页 |
| 1.4 本章小节 | 第14-15页 |
| 第二章 个性化推荐技术的应用及其相关理论 | 第15-28页 |
| 2.1 基于内容的推荐技术 | 第18-20页 |
| 2.2 基于知识的推荐技术 | 第20-21页 |
| 2.3 基于关联规则的推荐 | 第21-23页 |
| 2.4 协同过滤推荐技术 | 第23-27页 |
| 2.4.1 传统的CF推荐算法 | 第24-26页 |
| 2.4.2 CF推荐的基本问题研究 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于用户属性聚类的改进的CF推荐算法 | 第28-44页 |
| 3.1 聚类算法的概念及原理 | 第28页 |
| 3.2 几种重要的聚类方法 | 第28-34页 |
| 3.3 基于用户活跃度(CF-ACT)聚类的CF推荐算法 | 第34-39页 |
| 3.3.1 用户特征数据集的收集与整理 | 第34-36页 |
| 3.3.2 基于用户活跃度(CF-act)的聚类 | 第36-39页 |
| 3.4 基于用户属性聚类的CF算法优化设计 | 第39-43页 |
| 3.4.1 CF推荐模型基本结构 | 第39-40页 |
| 3.4.2 基于用户属性特征的加权相似度模型 | 第40-41页 |
| 3.4.3 用户偏好相似度模型 | 第41-42页 |
| 3.4.4 两种相似度模型的融合 | 第42页 |
| 3.4.5 为目标用户产生推荐 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 基于用户属性聚类的CF推荐算法的设计与实现 | 第44-52页 |
| 4.1 用户属性聚类 | 第44-45页 |
| 4.2 获取目标用户的最近邻居 | 第45页 |
| 4.3 计算目标用户的预测评分 | 第45-46页 |
| 4.4 为目标用户产生推荐 | 第46页 |
| 4.5 电影推荐系统的实现 | 第46-51页 |
| 4.5.1 系统需求分析 | 第46-48页 |
| 4.5.2 电影推荐系统的页面展示 | 第48-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第五章 PCEDS算法的实验论证 | 第52-62页 |
| 5.1 实验环境和数据 | 第52-53页 |
| 5.1.1 实验环境 | 第52页 |
| 5.1.2 实验数据集 | 第52-53页 |
| 5.2 实验评价标准 | 第53-57页 |
| 5.2.1 预测评分准确度 | 第53-54页 |
| 5.2.2 TopN推荐 | 第54-55页 |
| 5.2.3 覆盖率 | 第55-56页 |
| 5.2.4 多样性 | 第56页 |
| 5.2.5 信任度 | 第56-57页 |
| 5.3 实验设计、结果与分析 | 第57-61页 |
| 5.3.1 PCEDS模型与其它模型的RMSE结果比较 | 第57-58页 |
| 5.3.2 参数λ对PCEDS模型的影响 | 第58-59页 |
| 5.3.3 PCEDS模型与Pearson模型的准确率/召回率比较 | 第59-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 本文工作总结 | 第62页 |
| 6.2 展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 在读期间公开发表的论文 | 第68-69页 |
| 公开发表的论文 | 第68页 |
| 攻读硕士学位期间参加的科研项目 | 第68页 |
| 获奖情况 | 第68-69页 |
| 致谢 | 第69页 |
