| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 课题研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 面临的主要问题和挑战 | 第12-13页 |
| 1.2.2 个性化推荐算法研究现状 | 第13-14页 |
| 1.2.3 矩阵分解和聚类技术研究现状 | 第14-15页 |
| 1.3 本文主要研究工作 | 第15-17页 |
| 1.4 本文框架 | 第17页 |
| 1.5 本章小结 | 第17-19页 |
| 第二章 个性化推荐系统的分类及研究现状 | 第19-36页 |
| 2.1 个性化推荐系统的原理及分类 | 第19-20页 |
| 2.2 基于内容的推荐 | 第20-21页 |
| 2.3 协同过滤推荐算法 | 第21-27页 |
| 2.3.1 基于用户的协同推荐(UserKNN) | 第23-25页 |
| 2.3.2 基于项目的协同过滤(ItemKNN) | 第25页 |
| 2.3.3 UserKNN和ItemKNN的综合比较 | 第25-27页 |
| 2.4 聚类算法的研究现状 | 第27-32页 |
| 2.4.1 近邻传播聚类的特点 | 第27-28页 |
| 2.4.2 APC的具体算法流程 | 第28-30页 |
| 2.4.3 更新吸引度矩阵 | 第30页 |
| 2.4.4 更新归属度矩阵 | 第30-32页 |
| 2.5 性能评价指标 | 第32-35页 |
| 2.6 本章小结 | 第35-36页 |
| 第三章 基于NMF与AP聚类的组合推荐算法研究 | 第36-44页 |
| 3.1 组合推荐系统概述 | 第36页 |
| 3.2 修正的NMF算法分析 | 第36-41页 |
| 3.2.1 NMF的原理 | 第37-38页 |
| 3.2.2 梯度下降法 | 第38-40页 |
| 3.2.3 预测评分 | 第40-41页 |
| 3.3 基于NMF与AP聚类的组合推荐算法 | 第41-43页 |
| 3.3.1 算法实现 | 第42-43页 |
| 3.3.2 算法流程 | 第43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 实验分析 | 第44-53页 |
| 4.1 实验数据及环境 | 第44页 |
| 4.2 UserKNN与ItemKNN算法比对 | 第44-46页 |
| 4.3 基于APC方法的协同过滤推荐算法 | 第46-48页 |
| 4.4 NMF与AP聚类方法的组合推荐系统(APC-NMF-CF) | 第48-51页 |
| 4.5 APC-NMF-CF在多元数据情景下的性能 | 第51-52页 |
| 4.6 实验结论 | 第52页 |
| 4.7 本章小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 全文总结 | 第53页 |
| 5.2 工作展望 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58页 |
