| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究发展与现状 | 第10-13页 |
| 1.3 主要研究内容 | 第13页 |
| 1.4 本文组织结构 | 第13-15页 |
| 第2章 预备知识 | 第15-34页 |
| 2.1 推荐系统介绍 | 第15-20页 |
| 2.1.1 推荐系统的定义 | 第15-16页 |
| 2.1.2 推荐系统的功能 | 第16页 |
| 2.1.3 推荐系统的应用 | 第16-18页 |
| 2.1.4 推荐系统评测指标 | 第18-20页 |
| 2.2 几种主要的推荐算法 | 第20-24页 |
| 2.2.1 协同过滤推荐算法 | 第20-21页 |
| 2.2.2 基于内容的推荐 | 第21-23页 |
| 2.2.3 基于关联规则的推荐 | 第23-24页 |
| 2.2.4 基于知识的推荐 | 第24页 |
| 2.2.5 混合推荐算法 | 第24页 |
| 2.3 基于近邻的协同过滤推荐算法 | 第24-33页 |
| 2.3.1 基于用户的协同过滤算法 | 第26-28页 |
| 2.3.2 基于项目的协同过滤算法 | 第28-30页 |
| 2.3.3 基于用户项目混合的协同过滤算法 | 第30页 |
| 2.3.4 协同过滤算法中的相似度度量 | 第30-32页 |
| 2.3.5 协同过滤算法面临的问题 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第3章 结合评分和项目相关性的协同过滤算法 | 第34-42页 |
| 3.1 引言 | 第34页 |
| 3.2 结合评分和项目相关性的推荐算法(URIC) | 第34-37页 |
| 3.2.1 项目相关性表示 | 第34-35页 |
| 3.2.2 改进的相似度 | 第35-36页 |
| 3.2.3 预测评分 | 第36-37页 |
| 3.3 实验 | 第37-40页 |
| 3.3.1 实验数据 | 第37页 |
| 3.3.2 实验设置 | 第37页 |
| 3.3.3 实验结果和分析 | 第37-40页 |
| 3.4 本章小结 | 第40-42页 |
| 第4章 结合标签和时间因素的协同过滤算法 | 第42-56页 |
| 4.1 引言 | 第42页 |
| 4.2 结合标签和时间因素的推荐算法(TT-CF) | 第42-49页 |
| 4.2.1 基本概念和定义 | 第42-44页 |
| 4.2.2 改进的相似度 | 第44-45页 |
| 4.2.3 预测评分 | 第45-49页 |
| 4.3 实验 | 第49-55页 |
| 4.3.1 实验数据和设置 | 第49页 |
| 4.3.2 实验结果和分析 | 第49-55页 |
| 4.4 本章小结 | 第55页 |
| 注 | 第55-56页 |
| 第5章 结合巴氏系数和LDA主题模型的协同过滤算法 | 第56-70页 |
| 5.1 引言 | 第56页 |
| 5.2 相关概念和定义 | 第56-60页 |
| 5.2.1 巴氏系数相似度 | 第56-57页 |
| 5.2.2 LDA主题模型 | 第57-60页 |
| 5.3 结合巴氏系数和LDA主题模型的协同过滤算法(UBL-CF) | 第60-65页 |
| 5.3.1 改进的相似度方法 | 第60-61页 |
| 5.3.2 预测评分 | 第61-65页 |
| 5.4 实验 | 第65-69页 |
| 5.4.1 实验数据和设置 | 第65页 |
| 5.4.2 实验结果和分析 | 第65-69页 |
| 5.5 本章小结 | 第69-70页 |
| 第6章 总结与展望 | 第70-71页 |
| 6.1 工作总结 | 第70页 |
| 6.2 工作展望 | 第70-71页 |
| 参考文献 | 第71-77页 |
| 附录 | 第77-78页 |
| 致谢 | 第78页 |
