| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第15-18页 |
| 1.1 项目背景 | 第15页 |
| 1.2 研究的目的与意义 | 第15页 |
| 1.3 国内外研究现状 | 第15-16页 |
| 1.4 本文主要工作 | 第16页 |
| 1.5 论文结构 | 第16-17页 |
| 1.6 本章小结 | 第17-18页 |
| 第二章 推荐系统相关研究工作 | 第18-26页 |
| 2.1 智能推荐在新媒体环境下的作用 | 第18页 |
| 2.1.1 新媒体环境下的智能推荐系统 | 第18页 |
| 2.2 IPTV与智能推荐系统 | 第18-19页 |
| 2.2.1 IPTV业务简介 | 第18-19页 |
| 2.2.2 IPTV对智能推荐的需求 | 第19页 |
| 2.3 智能化推荐系统的应用 | 第19-25页 |
| 2.3.1 电子商务平台 | 第20-22页 |
| 2.3.2 电影和视频网站 | 第22-23页 |
| 2.3.3 个性化的音乐网络电台 | 第23-24页 |
| 2.3.4 社交网络平台 | 第24页 |
| 2.3.5 个性化广告 | 第24-25页 |
| 2.3.6 基于位置的个性化服务 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 智能推荐系统用户需求 | 第26-30页 |
| 3.1 视频节目数据统计需求 | 第26页 |
| 3.2 视频节目类型分类需求 | 第26-27页 |
| 3.3 用户活跃度监控需求 | 第27-28页 |
| 3.3.1 用户开机时长以及开机率 | 第27页 |
| 3.3.2 播出时长类型 | 第27-28页 |
| 3.4 用户到达率需求 | 第28页 |
| 3.5 付费产品订购数据 | 第28-29页 |
| 3.6 本章小结 | 第29-30页 |
| 第四章 智能推荐系统的系统设计 | 第30-51页 |
| 4.1 用户行为分析系统 | 第30-31页 |
| 4.2 用户行为数据采集模块 | 第31-32页 |
| 4.3 用户数据提取模块 | 第32-34页 |
| 4.3.1 服务器对接 | 第32-33页 |
| 4.3.2 数据下载以及解压缩 | 第33-34页 |
| 4.4 用户数据处理模块 | 第34-36页 |
| 4.4.1 数据读取 | 第34-35页 |
| 4.4.2 数据插入 | 第35页 |
| 4.4.3 系统运行与调试 | 第35-36页 |
| 4.5 用户数据呈现模块 | 第36-38页 |
| 4.6 智能推荐数据结构设计 | 第38-50页 |
| 4.6.1 数据搜索引擎介绍 | 第38-39页 |
| 4.6.2 接.事务 | 第39-40页 |
| 4.6.3.消息传输 | 第40页 |
| 4.6.4 错误判断和处理 | 第40页 |
| 4.6.5 消息规范 | 第40-45页 |
| 4.6.6 属性规范及枚举值参考 | 第45-46页 |
| 4.6.7 示例 | 第46-50页 |
| 4.7 本章小结 | 第50-51页 |
| 第五章 推荐系统算法模型 | 第51-62页 |
| 5.1 基于用户的协同过滤算法 | 第51-53页 |
| 5.1.1 算法的基本思想 | 第51页 |
| 5.1.2 具体算法步骤 | 第51-52页 |
| 5.1.3 具体算法的实现 | 第52-53页 |
| 5.2 基于产品的协同过滤算法 | 第53-54页 |
| 5.2.1 算法的基本思想 | 第53页 |
| 5.2.2 具体算法步骤 | 第53页 |
| 5.2.3 具体算法的实现 | 第53-54页 |
| 5.3 IPTV上USERCF和ITEMCF的使用和对比 | 第54-55页 |
| 5.4 隐语义模型 | 第55-57页 |
| 5.4.1 算法的基本思想 | 第55页 |
| 5.4.2 具体算法步骤 | 第55-57页 |
| 5.4.3 具体算法的实现 | 第57页 |
| 5.5 LMF与协同过滤算法的比较 | 第57页 |
| 5.6 智能推荐系统在IPTV上的运用 | 第57-61页 |
| 5.6.1 首页推荐 | 第57-59页 |
| 5.6.2 退订挽留以及用户调研 | 第59-61页 |
| 5.7 本章小结 | 第61-62页 |
| 第六章 推荐系统中的冷启动问题 | 第62-70页 |
| 6.1 冷启动问题简介 | 第62页 |
| 6.1.1 冷启动问题分类 | 第62页 |
| 6.1.2 冷启动问题解决方案 | 第62页 |
| 6.2 利用用户填写信息 | 第62-64页 |
| 6.3 触发用户行为 | 第64-66页 |
| 6.4 利用产品内容信息 | 第66-67页 |
| 6.5 专家标注产品基因 | 第67-68页 |
| 6.6 节目的冷启动时间 | 第68-69页 |
| 6.7 本章小结 | 第69-70页 |
| 第七章 智能化推荐系统的评测 | 第70-80页 |
| 7.1 智能推荐系统的评测指标 | 第70-74页 |
| 7.1.1 用户满意度 | 第70-71页 |
| 7.1.2 预测准确度和覆盖率 | 第71-72页 |
| 7.1.3 多样性 | 第72页 |
| 7.1.4 新颖性和精细度 | 第72-73页 |
| 7.1.5 实时性 | 第73页 |
| 7.1.6 信任度和健壮性 | 第73-74页 |
| 7.2 智能推荐系统的评测维度 | 第74-75页 |
| 7.2.1 用户维度 | 第74页 |
| 7.2.2 物品维度 | 第74-75页 |
| 7.2.3 时间维度 | 第75页 |
| 7.3 IPTV平台上协同过滤算法的评测 | 第75-79页 |
| 7.4 本章小结 | 第79-80页 |
| 结束语 | 第80-81页 |
| 参考文献 | 第81-83页 |
| 致谢 | 第83-84页 |
| 附件 | 第84页 |