| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-22页 |
| 1.1 选题背景和意义 | 第10-12页 |
| 1.1.1 选题背景 | 第10-11页 |
| 1.1.2 选题意义 | 第11-12页 |
| 1.2 推荐系统介绍 | 第12-15页 |
| 1.2.1 推荐系统内涵 | 第12页 |
| 1.2.2 推荐技术 | 第12-15页 |
| 1.3 国内外研究现状 | 第15-19页 |
| 1.3.1 稀疏性问题和冷启动问题研究现状 | 第17-18页 |
| 1.3.2 可扩展问题研究现状 | 第18-19页 |
| 1.4 本文研究内容与工作 | 第19-20页 |
| 1.5 本文组织结构 | 第20-22页 |
| 第2章 协同过滤相关技术介绍 | 第22-30页 |
| 2.1 协同过滤算法 | 第22-26页 |
| 2.1.1 基于记忆的协同过滤算法（Memory-based CF） | 第22-25页 |
| 2.1.2 基于模型的协同过滤算法（Model-based CF） | 第25-26页 |
| 2.2 聚类算法概述 | 第26-27页 |
| 2.2.1 经典聚类算法分类 | 第26-27页 |
| 2.3 推荐算法评价指标 | 第27-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第3章 基于巴氏系数的协同过滤算法 | 第30-44页 |
| 3.1 用户相似度 | 第30-34页 |
| 3.1.1 余弦相似度 | 第31页 |
| 3.1.2 改进余弦相似度 | 第31页 |
| 3.1.3 Pearson相关系数和带约束Pearson相关系数 | 第31-32页 |
| 3.1.4 Jaccard相似度 | 第32页 |
| 3.1.5 PIP相似度 | 第32-33页 |
| 3.1.6 JMSD相似度 | 第33页 |
| 3.1.7 MJD相似度 | 第33-34页 |
| 3.2 基于巴氏系数的协同过滤算法 | 第34-37页 |
| 3.2.1 巴氏系数 | 第35页 |
| 3.2.2 改进的相似度计算方法 | 第35-36页 |
| 3.2.3 改进相似度计算方法的讨论 | 第36页 |
| 3.2.4 基于SBC的协同过滤算法（CF-based SBC，CFSBC） | 第36-37页 |
| 3.2.5 基于SBC的协同过滤算法流程 | 第37页 |
| 3.3 实验及分析 | 第37-43页 |
| 3.3.1 实验环境 | 第37-38页 |
| 3.3.2 评估标准 | 第38页 |
| 3.3.3 实验数据 | 第38-39页 |
| 3.3.4 实验结果分析 | 第39-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 基于k-means和巴氏系数的协同过滤算法 | 第44-52页 |
| 4.1 聚类分析 | 第44-46页 |
| 4.1.1 k-means算法基本思想 | 第44-45页 |
| 4.1.2 k-means算法优缺点分析 | 第45页 |
| 4.1.3 现有对k-means算法的改进 | 第45-46页 |
| 4.2 改进k-means算法 | 第46-48页 |
| 4.2.1 基本定义及定理 | 第46-47页 |
| 4.2.2 k-means算法优化 | 第47页 |
| 4.2.3 改进k-means算法流程 | 第47-48页 |
| 4.3 基于GSK-means和SBC的协同过滤算法 | 第48页 |
| 4.4 实验及分析 | 第48-50页 |
| 4.4.1 实验环境 | 第48-49页 |
| 4.4.2 评估标准 | 第49页 |
| 4.4.3 实验数据 | 第49页 |
| 4.4.4 实验方案 | 第49页 |
| 4.4.5 实验结果分析 | 第49-50页 |
| 4.5 本章小结 | 第50-52页 |
| 结论 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间获得的科研成果 | 第58-60页 |
| 致谢 | 第60页 |
