| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究背景及意义 | 第10-13页 |
| 1.1.1 课题背景介绍 | 第10-12页 |
| 1.1.2 本课题研究的意义 | 第12-13页 |
| 1.2 推荐算法研究现状 | 第13-15页 |
| 1.2.1 主要推荐算法介绍 | 第13-14页 |
| 1.2.2 国内外发展现状 | 第14-15页 |
| 1.3 本文研究内容与结构 | 第15-16页 |
| 1.4 创新之处 | 第16-18页 |
| 第2章 个性化推荐算法介绍 | 第18-28页 |
| 2.1 个性化推荐算法简介 | 第18页 |
| 2.2 个性化推荐算法的分类 | 第18-26页 |
| 2.2.1 协同过滤推荐算法 | 第18-22页 |
| 2.2.2 基于内容的推荐算法 | 第22-24页 |
| 2.2.3 基于网络的推荐算法 | 第24-25页 |
| 2.2.4 基于关联规则的推荐算法 | 第25-26页 |
| 2.2.5 混合推荐算法 | 第26页 |
| 2.3 本章小结 | 第26-28页 |
| 第3章 多维逻辑回归推荐算法 | 第28-36页 |
| 3.1 传统逻辑回归推荐算法 | 第28-31页 |
| 3.1.1 逻辑回归的概念 | 第28页 |
| 3.1.2 逻辑回归基本原理 | 第28-31页 |
| 3.2 遗传算法 | 第31-32页 |
| 3.3 逻辑回归算法改进 | 第32-35页 |
| 3.3.1 多维逻辑回归模型 | 第32-33页 |
| 3.3.2 建立时间特征体系 | 第33-34页 |
| 3.3.3 Bootstrap 抽样技术 | 第34-35页 |
| 3.3.4 遗传算法参数寻优 | 第35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 融合用户和项目特征协同过滤推荐算法改进 | 第36-46页 |
| 4.1 融合指数遗忘的协同过滤推荐算法 | 第36-38页 |
| 4.1.1 记忆指数遗忘规律 | 第36-37页 |
| 4.1.2 指数遗忘的产生 | 第37-38页 |
| 4.2 逻辑回归训练用户和产品特征权重 | 第38页 |
| 4.3 本文改进算法具体描述 | 第38-44页 |
| 4.3.1 用户评分数据 | 第39-40页 |
| 4.3.2 相似度计算 | 第40-42页 |
| 4.3.3 选取最近邻居 | 第42-43页 |
| 4.3.4 产生推荐 | 第43-44页 |
| 4.4 本章小结 | 第44-46页 |
| 第5章 改进算法仿真实验及结果分析 | 第46-56页 |
| 5.1 实验数据集 | 第46页 |
| 5.1.1 实验数据集简介 | 第46页 |
| 5.1.2 数据集划分及实验环境 | 第46页 |
| 5.2 个性化推荐算法评价指标 | 第46-47页 |
| 5.3 实验方案及结果分析 | 第47-55页 |
| 5.3.1 多维逻辑回归推荐算法实验及结果分析 | 第48-51页 |
| 5.3.2 改进协同过滤推荐算法仿真实验及结果分析 | 第51-53页 |
| 5.3.3 两种改进推荐算法融合实验 | 第53-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第6章 总结与展望 | 第56-58页 |
| 6.1 本文总结 | 第56页 |
| 6.2 本文展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 作者简介及科研成果 | 第62-64页 |
| 致谢 | 第64页 |