| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 推荐系统及协同过滤简介 | 第13-15页 |
| 1.2.1 推荐系统 | 第13-15页 |
| 1.2.2 协同过滤 | 第15页 |
| 1.3 国内外研究现状 | 第15-17页 |
| 1.4 研究内容 | 第17页 |
| 1.5 本文的组织结构 | 第17-19页 |
| 第2章 协同过滤推荐算法 | 第19-31页 |
| 2.1 算法简介 | 第19-20页 |
| 2.2 基于记忆的协同过滤推荐算法 | 第20-26页 |
| 2.2.1 基于用户的协同过滤算法 | 第20-22页 |
| 2.2.2 基于项目的协同过滤算法 | 第22-25页 |
| 2.2.3 基于用户和基于项目方法的优缺点比较 | 第25-26页 |
| 2.3 基于模型的协同过滤算法 | 第26-30页 |
| 2.3.1 基于图模型的协同过滤算法 | 第26-27页 |
| 2.3.2 基于SVD的协同过滤算法 | 第27-28页 |
| 2.3.3 基于隐语义模型的协同过滤算法 | 第28页 |
| 2.3.4 基于聚类模型的协同过滤算法 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 基于聚类模型和记忆的混合协同过滤推荐算法 | 第31-41页 |
| 3.1 HCC简介 | 第31-33页 |
| 3.1.1 HCC的出发点 | 第31页 |
| 3.1.2 HCC的基本思想 | 第31-32页 |
| 3.1.3 HCC的整体流程 | 第32-33页 |
| 3.2 HCC的实现过程 | 第33-35页 |
| 3.2.1 数据收集 | 第33页 |
| 3.2.2 聚类建模 | 第33-34页 |
| 3.2.3 评分预测 | 第34-35页 |
| 3.3 算法分析及实验 | 第35-40页 |
| 3.3.1 时间复杂度分析 | 第35-36页 |
| 3.3.2 实验方案设计 | 第36页 |
| 3.3.3 数据集及评价标准 | 第36-38页 |
| 3.3.4 实验结果及分析 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 基于用户和项目间关系联合聚类的推荐算法 | 第41-53页 |
| 4.1 现有方法的不足之处 | 第41-42页 |
| 4.2 基于用户和项目间关系联合聚类的协同过滤推荐算法 | 第42-47页 |
| 4.2.1 算法描述 | 第42-43页 |
| 4.2.2 数据收集 | 第43-44页 |
| 4.2.3 联合聚类 | 第44-46页 |
| 4.2.4 Top-N推荐 | 第46-47页 |
| 4.3 实验设计与分析 | 第47-51页 |
| 4.3.1 数据集 | 第47-48页 |
| 4.3.2 评测指标 | 第48-49页 |
| 4.3.3 实验方案 | 第49页 |
| 4.3.4 时间复杂度分析 | 第49-50页 |
| 4.3.5 推荐效果 | 第50-51页 |
| 4.4 本章小结 | 第51-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59页 |