| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 推荐系统的研究现状和面临的挑战 | 第11-13页 |
| 1.3 几个具有代表性的推荐系统 | 第13-14页 |
| 1.4 本文的研究内容及章节安排 | 第14-16页 |
| 2 协同过滤推荐算法的介绍与性能比较 | 第16-29页 |
| 2.1 基于记忆的协同过滤 | 第16-18页 |
| 2.1.1 基于用户的协同过滤 | 第16-18页 |
| 2.1.2 基于项目的协同过滤 | 第18页 |
| 2.2 基于模型的协同过滤 | 第18-22页 |
| 2.2.1 Slope One | 第18-20页 |
| 2.2.2 基于矩阵分解的协同过滤 | 第20-22页 |
| 2.2.3 基于聚类的协同过滤 | 第22页 |
| 2.3 推荐算法评价指标 | 第22-24页 |
| 2.4 主要协同过滤推荐算法的性能比较实验 | 第24-28页 |
| 2.5 本章小结 | 第28-29页 |
| 3 一种基于模糊聚类的Slope One协同过滤推荐算法 | 第29-45页 |
| 3.1 引言 | 第29页 |
| 3.2 模糊聚类的定义及优势 | 第29-31页 |
| 3.3 基于模糊聚类改进的Slope One推荐算法 | 第31-39页 |
| 3.3.1 算法思想 | 第31-35页 |
| 3.3.2 数据预处理:一种高效的数据平滑算法 | 第35-36页 |
| 3.3.3 使用模糊聚类技术处理用户数据 | 第36-38页 |
| 3.3.4 生成预测结果 | 第38-39页 |
| 3.4 实验分析 | 第39-44页 |
| 3.4.1 实验数据集、评价指标和实验方法 | 第39-40页 |
| 3.4.2 实验结果及分析 | 第40-44页 |
| 3.5 本章小结 | 第44-45页 |
| 4 推荐算法的集成——一种二阶段算法集成框架 | 第45-52页 |
| 4.1 引言 | 第45页 |
| 4.2 二阶段算法集成框架 | 第45-50页 |
| 4.2.1 一阶段集成——残差集成 | 第46-47页 |
| 4.2.2 二阶段集成——线性回归集成 | 第47-50页 |
| 4.3 实验及分析 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 5 总结与展望 | 第52-53页 |
| 5.1 工作总结 | 第52页 |
| 5.2 未来展望 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-56页 |