| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第一章 绪论 | 第8-11页 |
| 1.1 研究背景 | 第8页 |
| 1.2 研究现状 | 第8-9页 |
| 1.3 本文主要的工作及创新点 | 第9-10页 |
| 1.3.1 本文主要的工作 | 第9页 |
| 1.3.2 本文的创新点 | 第9-10页 |
| 1.4 论文结构 | 第10-11页 |
| 第二章 互联网个性化推荐系统算法分析 | 第11-24页 |
| 2.1 互联网个性化推荐系统算法分析 | 第11-21页 |
| 2.1.1 个性化推荐系统概念 | 第11-12页 |
| 2.1.2 基于协同过滤的个性化推荐系统 | 第12-16页 |
| 2.1.3 基于内容的个性化推荐系统 | 第16-18页 |
| 2.1.4 基于关联规则的个性化推荐系统 | 第18-21页 |
| 2.2 各种个性化推荐算法比较分析 | 第21-23页 |
| 2.2.1 各种个性化推荐算法优点 | 第21页 |
| 2.2.2 各种个性化推荐算法主要面临的问题 | 第21-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 一种跨平台云端cookie存储方法 | 第24-37页 |
| 3.1 跨平台云端存储需求 | 第24-26页 |
| 3.2 基于跨域cookie单点登录云端存储协议方法 | 第26-34页 |
| 3.2.1 基于cookie单点登录的统一认证分析 | 第26-28页 |
| 3.2.2 跨域单点登录认证设计 | 第28-31页 |
| 3.2.3 跨平台个性化推荐协议设计 | 第31-34页 |
| 3.3 云端存储协议安全性分析 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于频繁模式库的特征映射算法 | 第37-46页 |
| 4.1 引言 | 第37-38页 |
| 4.2 频繁模式识别算法 | 第38-41页 |
| 4.2.1 频繁模式识别原理 | 第38-39页 |
| 4.2.2 频繁模式库建立流程 | 第39-41页 |
| 4.3 基于频繁模式库的特征映射 | 第41-45页 |
| 4.3.1 特征映射原因分析 | 第41-43页 |
| 4.3.2 特征映射算法设计 | 第43-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 聚类算法设计及内类频繁模式识别 | 第46-54页 |
| 5.1 聚类算法 | 第46-52页 |
| 5.1.1 聚类算法原理 | 第46-48页 |
| 5.1.2 基于划分的聚类算法设计 | 第48-50页 |
| 5.1.3 聚类中心选取及k值确定 | 第50-52页 |
| 5.2 信息增量考察类内频繁模式 | 第52-53页 |
| 5.3 本章小结 | 第53-54页 |
| 第六章 个性化系统设计实例及验证 | 第54-65页 |
| 6.1 个性化推荐系统总体设计 | 第54-56页 |
| 6.2 一个校园互联网泛媒生活系统实例 | 第56-60页 |
| 6.3 个性化推荐系统验证 | 第60-64页 |
| 6.4 本章小结 | 第64-65页 |
| 第七章 总结与展望 | 第65-66页 |
| 7.1 论文总结 | 第65页 |
| 7.2 论文工作方向展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 攻读硕士期间研究成果 | 第69-70页 |
| 致谢 | 第70-71页 |