| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-18页 |
| ·个性化信息服务的背景与意义 | 第10-11页 |
| ·个性化信息服务概述 | 第11-15页 |
| ·个性化信息服务的特点与类型 | 第11-13页 |
| ·个性化信息服务的应用现状 | 第13-15页 |
| ·本文的工作 | 第15-17页 |
| ·研究内容 | 第15-16页 |
| ·论文结构 | 第16-17页 |
| ·本文的技术路线 | 第17-18页 |
| 第2章 个性化推荐模型理论和关键技术研究 | 第18-41页 |
| ·个性化推荐模型的理论基础 | 第18-22页 |
| ·用户兴趣度模型 | 第18页 |
| ·浏览行为与用户兴趣度的关系 | 第18-20页 |
| ·个性化推荐的常用方法 | 第20-22页 |
| ·基于线性回归分析的用户兴趣度建模 | 第22-33页 |
| ·多元线性回归模型 | 第22-25页 |
| ·用户兴趣度的计算 | 第25-33页 |
| ·个性化推荐的理论研究 | 第33-38页 |
| ·协同过滤推荐算法概述 | 第33-36页 |
| ·基于用户的协同过滤推荐算法 | 第36-38页 |
| ·关键技术与工具 | 第38-41页 |
| ·网络加速器和浏览器辅助对象 | 第38-40页 |
| ·SPSS统计分析工具 | 第40-41页 |
| 第3章 基于用户浏览行为和个性化推荐的信息挖掘模型 | 第41-59页 |
| ·基于用户浏览行为的个性化推荐模型 | 第41-48页 |
| ·基于聚类的推荐技术改进 | 第41-44页 |
| ·基于浏览行为的评分改进 | 第44-46页 |
| ·个性化推荐模型的原理和总体设计 | 第46-48页 |
| ·数据预处理 | 第48-49页 |
| ·数据预处理的一般方法 | 第48页 |
| ·本文的预处理策略 | 第48-49页 |
| ·用户访问数据的聚类分析 | 第49-54页 |
| ·个性化推荐的实现 | 第54-59页 |
| ·寻找当前用户的最近邻 | 第54-57页 |
| ·生成推荐页面集 | 第57-59页 |
| 第4章 基于用户信息挖掘的个性化推荐实证研究 | 第59-70页 |
| ·用户浏览行为的采集 | 第59-63页 |
| ·基于用户行为的数据采集技术 | 第59-60页 |
| ·本文的采集策略 | 第60-62页 |
| ·用户信息的存储 | 第62-63页 |
| ·实验数据源 | 第63页 |
| ·获得用户评价 | 第63-64页 |
| ·选出用户代表 | 第64-66页 |
| ·寻找当前用户的最近邻 | 第66-68页 |
| ·生成推荐页面集 | 第68-69页 |
| ·推荐结果分析 | 第69-70页 |
| 第5章 总结与展望 | 第70-72页 |
| ·总结 | 第70页 |
| ·工作展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 攻读学位期间公开发表论文 | 第76-78页 |
| 致谢 | 第78-79页 |