| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-13页 |
| 1.1 研究背景及研究意义 | 第10-11页 |
| 1.2 论文的主要内容和研究工作 | 第11-12页 |
| 1.3 本章小结 | 第12-13页 |
| 第二章 智能推荐系统 | 第13-18页 |
| 2.1 智能推荐系统的定义 | 第13-14页 |
| 2.2 智能推荐系统的作用 | 第14-15页 |
| 2.3 智能推荐系统的算法 | 第15-17页 |
| 2.3.1 基于内容推荐 | 第15-16页 |
| 2.3.2 协同过滤推荐 | 第16页 |
| 2.3.3 基于关联规则推荐 | 第16-17页 |
| 2.3.4 组合推荐 | 第17页 |
| 2.4 本章小结 | 第17-18页 |
| 第三章 传统协同过滤推荐算法 | 第18-27页 |
| 3.1 用户数据的收集 | 第18-19页 |
| 3.2 协同过滤算法的分类分析 | 第19-20页 |
| 3.3 User-based 协同过滤推荐算法 | 第20-23页 |
| 3.3.1 数据表示 | 第21页 |
| 3.3.2 最近邻查询 | 第21-23页 |
| 3.3.3 推荐生成 | 第23页 |
| 3.4 Item-based 协同过滤推荐算法 | 第23-25页 |
| 3.4.1 最近邻查询 | 第24-25页 |
| 3.4.2 推荐生成 | 第25页 |
| 3.5 User-based 算法与 Item-based 算法的区别 | 第25-26页 |
| 3.6 本章小结 | 第26-27页 |
| 第四章 协同过滤改进算法分析 | 第27-41页 |
| 4.1 基于降维的 DRRec 协同过滤算法 | 第27-29页 |
| 4.1.1 算法说明 | 第28-29页 |
| 4.1.2 基于降维的协同过滤算法算法分析 | 第29页 |
| 4.2 基于项评分预测的 IRPRec 协同过滤算法 | 第29-34页 |
| 4.2.1 最近邻搜索 | 第31-33页 |
| 4.2.2 推荐生成 | 第33-34页 |
| 4.2.3 基于项评分预测的协同过滤推荐算法分析 | 第34页 |
| 4.3 基于项聚类的 ICRec 协同过滤推荐算法 | 第34-40页 |
| 4.3.1 项聚类 | 第35-37页 |
| 4.3.2 基于项聚类的就近邻居查询 | 第37-39页 |
| 4.3.3 推荐产生 | 第39页 |
| 4.3.4 基于项聚类的协同过滤推荐算法分析 | 第39-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第五章 基于知识层次的协同过滤改进算法 | 第41-49页 |
| 5.1 社区过滤技术的引入 | 第41-42页 |
| 5.2 基于知识层次的协同过滤改进算法 | 第42-48页 |
| 5.2.1 相关符号解释 | 第42页 |
| 5.2.2 用户模型生成 | 第42-44页 |
| 5.2.3 用户相似性计算 | 第44-46页 |
| 5.2.4 Top-N 推荐的产生 | 第46-48页 |
| 5.2.5 算法说明 | 第48页 |
| 5.3 本章小结 | 第48-49页 |
| 第六章 协同过滤推荐改进算法的仿真与测试 | 第49-53页 |
| 6.1 实验及其试验数据 | 第49-50页 |
| 6.2 实验评估标准 | 第50页 |
| 6.3 实验仿真 | 第50-52页 |
| 6.3.1 实验方案 | 第50-51页 |
| 6.3.2 实验结果与分析 | 第51-52页 |
| 6.4 本章小结 | 第52-53页 |
| 第七章 总结与展望 | 第53-55页 |
| 7.1 本文工作回顾 | 第53页 |
| 7.2 成果及意义 | 第53-54页 |
| 7.3 存在的问题及下一步的工作 | 第54-55页 |
| 参考文献 | 第55-57页 |
| 致谢 | 第57-58页 |
| 攻读学位期间发表的学术论文目录 | 第58页 |
