| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 1 绪论 | 第7-15页 |
| 1.1 研究背景 | 第7-9页 |
| 1.1.1 问题提出 | 第7-8页 |
| 1.1.2 研究意义 | 第8-9页 |
| 1.2 个性化推荐系统应用及研究现状 | 第9-13页 |
| 1.2.1 应用现状 | 第9-10页 |
| 1.2.2 研究现状 | 第10-12页 |
| 1.2.3 研究问题及挑战 | 第12-13页 |
| 1.3 内容及组织结构 | 第13-15页 |
| 2 推荐系统及算法概述 | 第15-30页 |
| 2.1 个性化推荐系统框架概述 | 第15-18页 |
| 2.2 推荐技术分类及比较 | 第18-20页 |
| 2.2.1 推荐技术分类 | 第18-19页 |
| 2.2.2 推荐技术比较 | 第19-20页 |
| 2.3 协同过滤推荐算法 | 第20-29页 |
| 2.3.1 基于近邻的协同过滤算法 | 第22-26页 |
| 2.3.2 基于模型的协同过滤算法 | 第26-28页 |
| 2.3.3 基于近邻和基于模型的算法比较 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 3 基于概率分类的个性化推荐模型 | 第30-39页 |
| 3.1 概率分类模型表示 | 第30-32页 |
| 3.2 用户信息及对象信息建模 | 第32-34页 |
| 3.2.1 分类变量处理 | 第33-34页 |
| 3.2.2 连续变量处理 | 第34页 |
| 3.3 用户评分信息及上下文信息建模 | 第34-37页 |
| 3.3.1 用户评分信息处理 | 第34-36页 |
| 3.3.2 时间上下文信息处理 | 第36-37页 |
| 3.4 本章小结 | 第37-39页 |
| 4 概率分类模型建立与求解 | 第39-46页 |
| 4.1 基于 Logistic 的概率分类模型建立 | 第39-41页 |
| 4.1.1 参数估计 | 第40-41页 |
| 4.1.2 多项 Logistic 分类模型 | 第41页 |
| 4.2 最大熵概率分类模型建立 | 第41-43页 |
| 4.2.1 约束条件建模 | 第42-43页 |
| 4.3 算法流程 | 第43-45页 |
| 4.4 本章小结 | 第45-46页 |
| 5 实验设计与分析 | 第46-54页 |
| 5.1 实验数据集及评价指标 | 第46-49页 |
| 5.2 实验设计 | 第49-50页 |
| 5.3 实验结果及分析 | 第50-53页 |
| 5.4 本章小结 | 第53-54页 |
| 6 总结与展望 | 第54-56页 |
| 6.1 文章总结 | 第54-55页 |
| 6.2 展望 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 附录 | 第61页 |
| A. 作者在攻读学位期间发表的论文目录 | 第61页 |
| B. 作者在攻读学位期间取得的科研成果目录 | 第61页 |