声明
摘要
1 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 推荐系统在图书馆领域应用的研究
1.2.2 个性化图书推荐算法方面的研究
1.2.3 个性化图书推荐用户兴趣模型的研究
1.3 国内外图书推荐系统简介
1.3.1 斯坦福大学的Fab系统
1.3.2 人大数字图书馆个性化信息服务系统
1.3.3 加州大学Melvyl推荐系统
1.3.4 亚马逊网上书店图书推荐系统
1.4 论文组织结构及研究思路
1.4.1 论文组织结构及主要研究内容
1.4.2 论文研究思路
2 个性化图书推荐系统概述
2.1 个性化信息推荐主要算法
2.1.1 基于内容的推荐算法
2.1.2 协同过滤推荐算法
2.1.3 其他推荐算法简介
2.2 各种推荐算法的比较
2.3 个性化图书推荐算法的选择
2.3.1 高校图书馆产品及用户分析
2.3.2 各种算法于图书馆图书推荐的适用分析
2.4 图书馆个性化图书推荐策略的提出
3 基于内容的推荐改进方法
3.1 基于内容的推荐算法简介
3.1.1 基于内容的推荐算法推荐原理
3.1.2 基于内容的推荐算法推荐步骤
3.2 用户兴趣模型相关研究
3.2.1 用户兴趣常用表示方法
3.2.2 向量空间模型VSM介绍
3.2.3 VSM在个性化图书推荐中的问题分析
3.3 基于《中图法》的用户兴趣模型
3.3.1 《中国图书馆分类法》简介
3.3.2 用户兴趣模型的表述方法
3.3.3 用户初始模型的设定
3.3.4 用户兴趣模型的学习更新
3.3.5 图书描述及新书的推送算法
3.3.6 基于内容的推荐改进算法
3.4 改进算法的算例分析
3.4.1 实验数据
3.4.2 实验评估标准
3.4.3 实验设计
3.4.4 实验结果与分析
4 协同过滤的改进方法
4.1 协同过滤算法简介
4.1.1 协同过滤算法原理及分类
4.1.2 User-based协同过滤推荐步骤
4.1.3 协同过滤算法在个性化图书推荐中的问题分析
4.2 协同过滤评价矩阵的改进
4.2.1 多层次评价矩阵的提出
4.2.2 基于《中图法》的图书分层结构
4.2.3 基于《中图法》的多层次评价矩阵
4.3 协同过滤的改进算法
4.3.1 数据表示
4.3.2 用户相似度的计算
4.3.3 Top-N推荐的产生
4.4 个性化混合推荐算法的实现
4.4.1 目前常用混合推荐方式
4.4.2 个性化推荐混合策略的设计
4.4.3 混合推荐算法的实现
4.5 实证研究
4.5.1 实验数据
4.5.2 实验评估标准
4.5.3 实验设计
4.5.4 实验结果与分析
5 结论与展望
5.1 结论
5.2 展望
致谢
参考文献