| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 本文的主要研究内容 | 第9-14页 |
| 1.2.1 推荐算法的研究现状 | 第9-12页 |
| 1.2.2 存在的问题及研究趋势 | 第12-14页 |
| 1.3 本文组织结构 | 第14-16页 |
| 第2章 协同过滤算法理论及相关研究 | 第16-22页 |
| 2.1 引言 | 第16页 |
| 2.2 推荐系统研究 | 第16-18页 |
| 2.2.1 推荐过程描述 | 第16-17页 |
| 2.2.2 经典的推荐算法 | 第17-18页 |
| 2.3 协同过滤算法理论 | 第18-21页 |
| 2.3.1 协同过滤相似性模型及特征研究 | 第18页 |
| 2.3.2 改进的相似性算法研究 | 第18-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 基于不同物品选取不同邻居的协同过滤算法 | 第22-28页 |
| 3.1 引言 | 第22页 |
| 3.2 利用相似度函数选取目标用户的邻居用户 | 第22-26页 |
| 3.3 对目标物品预测评分 | 第26-27页 |
| 3.4 本章小结 | 第27-28页 |
| 第4章 解决协同过滤中新用户冷启动问题的相似度算法 | 第28-36页 |
| 4.1 引言 | 第28页 |
| 4.2 冷启动问题 | 第28-32页 |
| 4.2.1 冷启动问题的分类 | 第28-29页 |
| 4.2.2 解决冷启动问题的方法 | 第29-32页 |
| 4.3 协同过滤系统的新算法PIP | 第32-35页 |
| 4.4 本章小结 | 第35-36页 |
| 第5章 实验与结果分析 | 第36-49页 |
| 5.1 引言 | 第36页 |
| 5.2 实验环境 | 第36-37页 |
| 5.3 针对不同的物品选取不同邻居的新型相似度算法实验 | 第37-42页 |
| 5.3.1 实验设计 | 第37-38页 |
| 5.3.2 实验结果和分析 | 第38-42页 |
| 5.4 减少协同过滤中新用户的冷启动问题的相似度算法实验 | 第42-47页 |
| 5.4.1 使用全部评分的实验 | 第42-43页 |
| 5.4.2 人工冷启动实验 | 第43-44页 |
| 5.4.3 不同程度冷启动条件下的实验 | 第44-46页 |
| 5.4.4 混合方法实验 | 第46-47页 |
| 5.4.5 实验结果总结及讨论 | 第47页 |
| 5.5 本章小结 | 第47-49页 |
| 结论 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 致谢 | 第53-54页 |
| 作者简介 | 第54页 |
