| 摘要 | 第5-7页 |
| ABSTRACT | 第7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 本文的内容及结构安排 | 第13-15页 |
| 1.3.1 本文主要研究内容 | 第13-14页 |
| 1.3.2 本文结构 | 第14-15页 |
| 第二章 推荐系统及其核心算法 | 第15-30页 |
| 2.1 基于内容的推荐 | 第17-19页 |
| 2.2 协同过滤推荐 | 第19-24页 |
| 2.2.1 基于用户的协同过滤算法 | 第20-23页 |
| 2.2.2 协同过滤算法中基本问题的研究 | 第23-24页 |
| 2.3 基于数据挖掘的推荐系统 | 第24-30页 |
| 2.3.1 基于关联规则的推荐技术 | 第25-27页 |
| 2.3.2 k-means聚类 | 第27-30页 |
| 第三章 基于k-means聚类改进协同过滤算法 | 第30-44页 |
| 3.1 协同过滤算法的速度瓶颈问题 | 第30页 |
| 3.2 基于k-means聚类改进协同过滤算法的思路 | 第30-32页 |
| 3.3 基于k-means聚类改进协同过滤算法具体步骤 | 第32-36页 |
| 3.3.1 数据收集与整理 | 第32-33页 |
| 3.3.2 聚类生成虚拟用户空间 | 第33-34页 |
| 3.3.3 选取邻居用户 | 第34-35页 |
| 3.3.4 预测评分，得出推荐 | 第35页 |
| 3.3.5 结果评价 | 第35-36页 |
| 3.4 实验分析 | 第36-44页 |
| 3.4.1 数据集和实验参数的选取 | 第36-37页 |
| 3.4.2 传统协同过滤算法的实验结果 | 第37-39页 |
| 3.4.3 基于k-means聚类改进协同过滤算法的结果 | 第39-42页 |
| 3.4.4 MAE准确度比较 | 第42-43页 |
| 3.4.5 推荐产生时间比较 | 第43-44页 |
| 第四章 基于内容与协同过滤的混合算法 | 第44-59页 |
| 4.1 改进后协同过滤算法的瓶颈问题 | 第44-45页 |
| 4.1.1 稀疏性问题 | 第44页 |
| 4.1.2 冷启动问题 | 第44-45页 |
| 4.2 基于内容与协同过滤的混合算法 | 第45-48页 |
| 4.2.1 混合算法的思路 | 第45-47页 |
| 4.2.2 混合算法的优势 | 第47-48页 |
| 4.3 基于内容与协同过滤的混合算法的推荐模型 | 第48-49页 |
| 4.4 混合算法的实现 | 第49-53页 |
| 4.4.1 商品特征属性与用户评分信息相结合 | 第49-50页 |
| 4.4.2 用户—特征评分矩阵的转化 | 第50-52页 |
| 4.4.3 离线聚类用户算法 | 第52页 |
| 4.4.4 对目标用户及新电影预测 | 第52-53页 |
| 4.5 实验分析 | 第53-59页 |
| 4.5.1 数据集和实验参数的选取 | 第53-54页 |
| 4.5.2 基于内容与协同过滤的混合算法的结果 | 第54-56页 |
| 4.5.3 MAE准确度比较 | 第56-57页 |
| 4.5.4“冷启动”问题的解决 | 第57-59页 |
| 第五章 总结与展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 作者在攻读硕士学位期间发表的论文与参与的项目 | 第64-65页 |
| 致谢 | 第65页 |
