摘要 | 第5-6页 |
Abstract | 第6-7页 |
第1章 绪论 | 第11-16页 |
1.1 研究背景 | 第11-12页 |
1.2 研究意义 | 第12-13页 |
1.3 研究内容 | 第13页 |
1.4 研究思路与研究方法 | 第13-14页 |
1.5 论文结构 | 第14-16页 |
第2章 相关研究文献综述 | 第16-28页 |
2.1 文献检索情况概述 | 第16-19页 |
2.1.1 文献检索范围分析 | 第16页 |
2.1.2 相关文献情况分析 | 第16-17页 |
2.1.3 学术研究趋势分析 | 第17-19页 |
2.2 个性化推荐的研究概况 | 第19-24页 |
2.2.1 国外研究综述 | 第20-21页 |
2.2.2 国内研究综述 | 第21-24页 |
2.3 关于情景的研究 | 第24-26页 |
2.3.1 国外研究综述 | 第24-25页 |
2.3.2 国内研究综述 | 第25-26页 |
2.4 已有研究的贡献与不足 | 第26-27页 |
2.4.1 主要贡献 | 第26页 |
2.4.2 不足之处 | 第26-27页 |
2.5 已有研究成果对本文的启示 | 第27页 |
2.6 本章小结 | 第27-28页 |
第3章 相关理论和方法 | 第28-35页 |
3.1 个性化推荐的基本概念 | 第28-30页 |
3.1.1 个性化推荐的定义 | 第28-29页 |
3.1.2 个性化推荐的模式 | 第29-30页 |
3.2 个性化推荐的主要算法 | 第30-31页 |
3.2.1 基于内容的推荐 | 第30页 |
3.2.2 协同过滤推荐 | 第30页 |
3.2.3 关联规则推荐 | 第30页 |
3.2.4 基于网络结构的推荐 | 第30-31页 |
3.2.5 混合推荐 | 第31页 |
3.3 情景的相关概念 | 第31-34页 |
3.3.1 情景描述 | 第31-32页 |
3.3.2 情景信息的分类与获取途径 | 第32-33页 |
3.3.3 情景推理方法 | 第33-34页 |
3.4 本章小结 | 第34-35页 |
第4章 基于贝叶斯网络情景推理的用户偏好子模型构建 | 第35-54页 |
4.1 问题描述 | 第35-43页 |
4.1.1 问题背景 | 第35-36页 |
4.1.2 情景的选择与分析 | 第36-38页 |
4.1.3 基本假设与符号说明 | 第38-39页 |
4.1.4 条件概率的数据收集 | 第39-43页 |
4.2 情景信息的用户偏好推理子模型 | 第43-47页 |
4.2.1 分析阶段 | 第43页 |
4.2.2 更新阶段 | 第43-47页 |
4.2.3 用户偏好的向量表示 | 第47页 |
4.3 用户基本特征与历史行为的用户偏好推理子模型 | 第47-53页 |
4.3.1 分析阶段 | 第47-48页 |
4.3.2 更新阶段 | 第48-52页 |
4.3.3 用户偏好的向量表示 | 第52-53页 |
4.4 本章小结 | 第53-54页 |
第5章 基于用户偏好模型的个性化推荐方法设计 | 第54-65页 |
5.1 用户偏好模型构建 | 第54-58页 |
5.1.1 权重系数计算的一般方法 | 第54-55页 |
5.1.2 权重系数的计算 | 第55-58页 |
5.1.3 用户偏好模型的表示 | 第58页 |
5.2 基于用户偏好模型的相似性算法 | 第58-61页 |
5.2.1 个性化推荐过程分析 | 第58-59页 |
5.2.2 相似性计算方法的选择 | 第59-60页 |
5.2.3 改进的用户相似性计算 | 第60-61页 |
5.3 用户的评分预测 | 第61-62页 |
5.4 算法步骤 | 第62-64页 |
5.5 本章小结 | 第64-65页 |
第6章 无觅网个性化推荐算例与实验分析 | 第65-78页 |
6.1 网站背景 | 第65-66页 |
6.2 实验设计 | 第66-67页 |
6.3 数据处理 | 第67-74页 |
6.4 结果分析 | 第74-77页 |
6.5 本章小结 | 第77-78页 |
第7章 结论与展望 | 第78-80页 |
7.1 结论 | 第78页 |
7.2 展望 | 第78-80页 |
参考文献 | 第80-85页 |
致谢 | 第85-86页 |
作者简介 | 第86-87页 |
附录 | 第87-89页 |