声明
1 绪论
1.1 研究背景及其意义
1.2 发展历史与研究现状
1.3 本文研究内容
1.4 论文架构
2 个性化推荐相关技术
2.1 主要推荐技术
2.1.1 推荐技术概述
2.1.2 推荐技术的分类与介绍
2.2 协同过滤推荐算法
2.2.1 协同过滤推荐算法的分类
2.2.2 协同过滤推荐算法的实现
2.2.3 协同过滤推荐算法的评价标准
2.2.4 传统的协同过滤推荐算法的优缺点
2.2.5 目前协同过滤推荐算法的改进
2.3 本章小结
3 融合用户信息和BP网络的协同过滤算法
3.1 问题的提出
3.1.1 新用户冷启动问题的提出
3.1.2 本文解决新用户冷启动的思路
3.2 分量相似度计算模块
3.2.1 分量相似度1:性别相似度
3.2.2 分量相似度2:年龄相似度
3.2.3 分量相似度3:职业相似度
3.3 负反馈神经网络模块
3.4 融合用户信息和BP网络的协同过滤算法(UA-BP-CF)
3.4.1 算法描述
3.4.2 算法流程图
3.5 本章小结
4 结合项目内容和层次聚类的协同过滤算法
4.1 问题的提出
4.1.1 新项目冷启动问题的提出
4.1.2 本文解决新项目冷启动的思路
4.2 项目内容的欧氏距离计算
4.3 凝聚式层次聚类模块
4.4结合项目内容和层次聚类的协同过滤改进算法(IC-HC-CF)
4.4.1 算法描述
4.4.2 算法流程图
4.5 本章小结
5 实验与结果分析
5.1 数据集介绍
5.2 设计实验与结果分析
5.2.1 实验准备
5.2.2 实验设计与结果分析
5.3 本章小结
6 总结与展望
6.1 本文工作总结
6.2 进一步工作展望
参考文献
攻读学位期间的研究成果
致谢
东华大学;