| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 论文研究内容 | 第15页 |
| 1.4 论文章节安排 | 第15-17页 |
| 第2章 兴趣点推荐系统 | 第17-26页 |
| 2.1 兴趣点推荐系统概述 | 第17-18页 |
| 2.2 兴趣点推荐算法 | 第18-21页 |
| 2.2.1 基于近邻的推荐算法 | 第18-19页 |
| 2.2.2 基于内容的推荐算法 | 第19-20页 |
| 2.2.3 基于情境感知的推荐算法 | 第20-21页 |
| 2.2.4 社会化标签的推荐算法 | 第21页 |
| 2.3 推荐系统评测 | 第21-26页 |
| 2.3.1 推荐系统评测方法 | 第21-23页 |
| 2.3.2 评测指标 | 第23-26页 |
| 第3章 评论文本分析与协同过滤算法研究 | 第26-42页 |
| 3.1 用户评论分析 | 第26-31页 |
| 3.1.1 用户评论特点研究 | 第26-29页 |
| 3.1.2 LDA主题模型 | 第29-31页 |
| 3.2 评论相似度分析 | 第31-33页 |
| 3.2.1 主题提取 | 第31-32页 |
| 3.2.2 相对熵 | 第32-33页 |
| 3.3 传统的协同过滤算法 | 第33-39页 |
| 3.3.1 基于用户的协同过滤算法 | 第33-36页 |
| 3.3.2 基于物品的协同过滤算法 | 第36-39页 |
| 3.4 改进的协同过滤算法 | 第39-42页 |
| 3.4.1 联合LDA主题模型的基于用户的协同过滤算法 | 第39-40页 |
| 3.4.2 联合LDA主题模型的基于物品的协同过滤算法 | 第40-42页 |
| 第4章 基于主题和评分的推荐算法研究 | 第42-56页 |
| 4.1 评论主题分布联合评分的相似度计算 | 第42-48页 |
| 4.1.1 用户兴趣主题和物品特征主题 | 第42-45页 |
| 4.1.2 用户评分对用户兴趣主题特征的影响 | 第45-47页 |
| 4.1.3 用户评分和LDA主题模型联合计算相似度 | 第47-48页 |
| 4.2 加权的基于LDA的用户协同过滤算法 | 第48-52页 |
| 4.2.1 用户相似度计算 | 第49-51页 |
| 4.2.2 评分预测 | 第51-52页 |
| 4.3 加权的基于LDA的物品协同过滤算法 | 第52-56页 |
| 4.3.1 物品相似度计算 | 第53-55页 |
| 4.3.2 评分预测 | 第55-56页 |
| 第5章 实验设计与结果分析 | 第56-68页 |
| 5.1 实验数据集与环境 | 第56-57页 |
| 5.1.1 实验数据集 | 第56页 |
| 5.1.2 实验环境 | 第56-57页 |
| 5.2 评价指标 | 第57页 |
| 5.3 实施方案 | 第57页 |
| 5.4 实验设计和结果分析 | 第57-68页 |
| 5.4.1 加权的基于LDA的用户协同过滤算法实验结果分析 | 第58-63页 |
| 5.4.2 加权的基于LDA的物品协同过滤算法实验结果分析 | 第63-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-77页 |
| 攻读硕士学位期间发表的论文 | 第77-78页 |
| 致谢 | 第78-79页 |
