| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第10-13页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 论文的主要工作 | 第11页 |
| 1.3 论文的组织结构 | 第11-13页 |
| 第二章 协同过滤推荐算法概述 | 第13-22页 |
| 2.1 协同过滤推荐算法发展及研究状况 | 第13-15页 |
| 2.2 基于邻域模型的推荐算法研究现状 | 第15-17页 |
| 2.3 混合推荐算法研究现状 | 第17页 |
| 2.4 基于SVD的推荐算法研究现状 | 第17-18页 |
| 2.5 推荐算法的评价指标 | 第18-20页 |
| 2.6 推荐算法常用的数据集 | 第20-21页 |
| 2.7 本章总结 | 第21-22页 |
| 第三章 基于邻域模型的协同过滤推荐算法研究 | 第22-37页 |
| 3.1 常用的相似度计算方法 | 第22-24页 |
| 3.1.1 基于距离的相似度计算公式 | 第22-23页 |
| 3.1.2 基于相关系数的相似度计算公式 | 第23-24页 |
| 3.1.3 基于共现统计的相似度计算公式 | 第24页 |
| 3.2 基于用户的协同过滤推荐算法 | 第24-26页 |
| 3.3 基于物品的协同过滤推荐算法 | 第26-27页 |
| 3.4 改进的欧几里得相似度计算公式EuclideanRPR原理 | 第27-29页 |
| 3.5 改进的基于共现统计的相似度计算公式Co-Occurrence-RPR原理 | 第29-32页 |
| 3.6 实验与分析 | 第32-36页 |
| 3.6.1 改进的Euclidean RPR相似度实验 | 第32-34页 |
| 3.6.2 改进的Co-Occurrence-RPR相似度实验 | 第34-36页 |
| 3.7 本章总结 | 第36-37页 |
| 第四章 融合物品标签信息的协同过滤推荐算法研究 | 第37-43页 |
| 4.1 物品信息的多标签特性 | 第37-38页 |
| 4.2 改进的动态权重混合相似度计算公式DWHS | 第38-39页 |
| 4.3 融合标签信息的协同过滤推荐算法ItemCF-T | 第39-40页 |
| 4.4 实验与分析 | 第40-42页 |
| 4.5 本章总结 | 第42-43页 |
| 第五章 基于SVD的协同过滤推荐算法研究 | 第43-62页 |
| 5.1 SVD矩阵分解技术的算法原理 | 第43-44页 |
| 5.2 随机梯度下降算法SGD | 第44-47页 |
| 5.2.1 随机梯度下降算法的原理 | 第44-46页 |
| 5.2.2 SVD-SGD算法 | 第46-47页 |
| 5.3 最小二乘算法ALS | 第47-49页 |
| 5.3.1 最小二乘算法ALS的原理 | 第48页 |
| 5.3.2 SVD-ALS算法 | 第48-49页 |
| 5.4 Biased-SVD算法 | 第49-50页 |
| 5.5 融合邻域信息的SVD++算法 | 第50-51页 |
| 5.6 实验与分析 | 第51-61页 |
| 5.6.1 SVD-ALS算法实验 | 第51-53页 |
| 5.6.2 SVD-SGD算法实验 | 第53-55页 |
| 5.6.3 Biased-SVD算法实验 | 第55-57页 |
| 5.6.4 SVD++算法实验 | 第57-59页 |
| 5.6.5 算法对比与总结 | 第59-61页 |
| 5.7 本章总结 | 第61-62页 |
| 第六章 基于C/S模式的电影推荐引擎实现 | 第62-72页 |
| 6.1 相关技术 | 第62-63页 |
| 6.2 服务器设计 | 第63-65页 |
| 6.3 网络爬虫设计 | 第65-67页 |
| 6.3.1 定义数据格式Item | 第65-66页 |
| 6.3.2 定义爬虫规则Spider | 第66页 |
| 6.3.3 设置存储结果 | 第66-67页 |
| 6.4 数据库设计 | 第67-68页 |
| 6.5 Android客户端设计 | 第68-71页 |
| 6.6 本章总结 | 第71-72页 |
| 第七章 总结与展望 | 第72-74页 |
| 7.1 全文总结 | 第72-73页 |
| 7.2 前景展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-78页 |
