摘要4-5
ABSTRACT5-10
第一章 绪论10-18
1.1 课题探讨背景及作用10-11
1.2 推荐引擎概述11-16
1.2.1 推荐引擎的组成11-12
1.2.2 推荐引擎探讨近况12-15
1.2.3 Apache Mahout介绍15-16
1.3 本论文主要工作16
1.4 论文组织结构16-18
第二章 个性化推荐算法探讨18-36
2.1 个性化推荐算法的分类18
2.2 基于内容的推荐18-21
2.2.1 基本原理18-19
2.2.2 推荐的产生19-20
2.2.3 优缺点20-21
2.3 协同过滤推荐21-34
2.3.1 协同过滤推荐算法的分类21-22
2.3.2 基于用户的协同过滤推荐22-25
2.3.3 基于项目的协同过滤推荐25-28
2.3.4 基于关联规则的推荐28-29
2.3.5 基于降维的协同过滤推荐29-30
2.3.6 基于聚类的协同过滤推荐30-31
2.3.7 优缺点浅析及解决策略31-34
2.4 混合推荐34-35
2.5 本章小结35-36
第三章 基于资源特点的协同过滤推荐算法36-44
3.1 基本思想36-39
3.1.1 用户兴趣的表示36
3.1.2 用户兴趣的来源36-37
3.1.3 用户行为处理对策37-38
3.1.4 时间窗更新对策38
3.1.5 用户兴趣模型的标准化对策38-39
3.1.6 用户对于资源评分的计算对策39
3.2 用户兴趣建模39-40
3.3 基于用户的资源特点协同过滤推荐40-42
3.3.1 基本原理40-41
3.3.2 算法步骤41-42
3.4 基于项目的资源特点协同过滤推荐42-43
3.4.1 基本原理42
3.4.2 算法步骤42-43
3.5 本章小结43-44
第四章 基于资源特点的协同过滤推荐引擎的设计44-59
4.1 运用场景介绍44-45
4.1.1 用户特点介绍44
4.1.2 资源特点介绍44-45
4.2 推荐引擎总体设计45-46
4.3 行为记录模块46-47
4.3.1 用户兴趣数据源46-47
4.3.2 行为记录流程图47
4.4 模型浅析模块47-51
4.4.1 资源描述建模47-48
4.4.2 用户兴趣建模48-51
4.5 推荐模块51-53
4.5.1 基于用户的推荐51-52
4.5.2 基于项目的推荐52-53
4.6 实验结果与浅析53-57
4.6.1 度量标准53
4.6.2 用户对于资源的预测评分的计算53-54
4.6.3 测试数据集54
4.6.4 实验步骤及结果54-57
4.7 优缺点浅析57-58
4.8 本章小结58-59
第五章 总结与展望59-61
5.1 主要工作及革新点59
5.2 工作展望59-61