| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 推荐系统国内外研究现状 | 第10-12页 |
| 1.3 本文的主要内容及组织结构 | 第12-15页 |
| 第2章 推荐系统相关理论综述 | 第15-25页 |
| 2.1 推荐系统的概述 | 第15-16页 |
| 2.2 推荐系统的几种常用方法简介 | 第16-20页 |
| 2.2.1 基于协同过滤的推荐方法 | 第16-18页 |
| 2.2.2 基于内容的推荐方法 | 第18页 |
| 2.2.3 基于网络结构的推荐方法 | 第18-19页 |
| 2.2.4 基于知识的推荐方法 | 第19-20页 |
| 2.2.5 混合推荐方法 | 第20页 |
| 2.3 评估推荐系统 | 第20-24页 |
| 2.3.1 推荐系统的实验评估方法 | 第20-21页 |
| 2.3.2 评估推荐系统的衡量标准 | 第21-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 水务信息混合推荐引擎的算法研究与改进 | 第25-41页 |
| 3.1 用户行为获取与记录 | 第25-27页 |
| 3.1.1 用户行为获取 | 第25-26页 |
| 3.1.2 用户行为记录 | 第26-27页 |
| 3.2 基于用户的协同过滤水务信息推荐 | 第27-30页 |
| 3.2.1 算法分析 | 第27-30页 |
| 3.2.2 协同过滤推荐系统的常见问题 | 第30页 |
| 3.3 引入改进的K-MEANS聚类算法 | 第30-35页 |
| 3.3.1 K-means聚类算法基本原理 | 第30-32页 |
| 3.3.2 K-means聚类算法的改进 | 第32-33页 |
| 3.3.3 改进的K-means聚类算法的实验验证 | 第33-34页 |
| 3.3.4 基于用户的协同过滤应用改进的K-means算法 | 第34-35页 |
| 3.4 综合用户兴趣变化的影响 | 第35-37页 |
| 3.4.1 时间因素对用户兴趣偏好的影响 | 第35-36页 |
| 3.4.2 时间权重函数的引入 | 第36-37页 |
| 3.5 基于内容的水务信息推荐 | 第37-40页 |
| 3.5.1 推荐水务信息项目模型构建 | 第37-39页 |
| 3.5.2 用户兴趣模型构建 | 第39页 |
| 3.5.3 推荐预测 | 第39-40页 |
| 3.6 混合推荐 | 第40页 |
| 3.7 本章小结 | 第40-41页 |
| 第4章 水务信息推荐引擎的设计与实现 | 第41-57页 |
| 4.1 水务信息推荐引擎的需求分析 | 第41-43页 |
| 4.1.1 水务信息化的现状分析 | 第41页 |
| 4.1.2 信息服务上的需求分析 | 第41-42页 |
| 4.1.3 功能层次上的需求分析 | 第42-43页 |
| 4.2 水务信息推荐引擎的外围架构 | 第43页 |
| 4.3 水务信息推荐引擎的总体架构设计 | 第43-47页 |
| 4.4 水务信息推荐引擎的设计与实现 | 第47-55页 |
| 4.4.1 水务信息推荐引擎的功能模块总体设计 | 第47-49页 |
| 4.4.2 水务信息推荐引擎的日志模块设计 | 第49-50页 |
| 4.4.3 水务信息推荐引擎的信息推荐模块设计 | 第50-51页 |
| 4.4.4 水务信息推荐引擎的结构设计 | 第51-52页 |
| 4.4.5 水务信息推荐引擎的数据库设计 | 第52-53页 |
| 4.4.6 水务信息推荐引擎的页面展示 | 第53-55页 |
| 4.5 本章小结 | 第55-57页 |
| 第5章 实验设计及结果分析 | 第57-65页 |
| 5.1 实验环境与实验数据集 | 第57页 |
| 5.2 实验评价标准 | 第57页 |
| 5.3 实验与结果分析 | 第57-63页 |
| 5.3.1 相似度计算方法 | 第57-59页 |
| 5.3.2 时间权重系数δ的确定 | 第59页 |
| 5.3.3 基于用户的协同过滤算法改进对比 | 第59-61页 |
| 5.3.4 混合推荐算法的对比 | 第61-63页 |
| 5.4 本章小结 | 第63-65页 |
| 结论与展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间所发表的学术成果 | 第71-73页 |
| 致谢 | 第73页 |