基于协同过滤和主题模型的毕业生就业双向推荐研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-19页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 推荐系统 | 第13-15页 |
| 1.2.2 协同过滤 | 第15-16页 |
| 1.2.3 LDA主题模型 | 第16-17页 |
| 1.3 本文主要内容 | 第17页 |
| 1.4 论文技术路线 | 第17-19页 |
| 2 相关理论概述 | 第19-28页 |
| 2.1 常用推荐算法简介 | 第19-25页 |
| 2.1.1 基于内容的推荐算法 | 第19-21页 |
| 2.1.2 协同过滤推荐算法 | 第21-24页 |
| 2.1.3 基于矩阵分解的推荐算法 | 第24-25页 |
| 2.1.4 混合推荐算法 | 第25页 |
| 2.2 LDA主题模型 | 第25-26页 |
| 2.3 推荐结果评价指标 | 第26-27页 |
| 2.3.1 准确率 | 第26页 |
| 2.3.2 召回率 | 第26-27页 |
| 2.3.3 F值 | 第27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 基于改进协同过滤推荐算法的毕业生-企业推荐 | 第28-47页 |
| 3.1 数据采集 | 第28-31页 |
| 3.1.1 数据背景简介 | 第28-29页 |
| 3.1.2 采集数据组成 | 第29-31页 |
| 3.2 数据预处理 | 第31-34页 |
| 3.3 毕业生及企业偏好模型建立 | 第34-39页 |
| 3.3.1 毕业生-企业矩阵的建立 | 第34-36页 |
| 3.3.2 利用双重聚类解决数据稀疏性 | 第36-38页 |
| 3.3.3 偏好模型的建立 | 第38-39页 |
| 3.4 利用协同过滤算法实现推荐 | 第39-41页 |
| 3.5 实验与分析 | 第41-46页 |
| 3.5.1 毕业生-企业矩阵的建立 | 第41-43页 |
| 3.5.2 利用聚类结果填充矩阵 | 第43-44页 |
| 3.5.3 利用协同过滤推荐得到推荐结果 | 第44-46页 |
| 3.6 本章小结 | 第46-47页 |
| 4 基于LDA主题模型的毕业生-企业推荐 | 第47-61页 |
| 4.1 基于LDA的主题词获取 | 第47-48页 |
| 4.1.1 最优主题数 | 第47页 |
| 4.1.2 文档主题词获取 | 第47-48页 |
| 4.2 毕业生与企业的向量空间模型构建 | 第48-53页 |
| 4.2.1 向量空间模型 | 第49-50页 |
| 4.2.2 毕业生向量空间模型的构建 | 第50-51页 |
| 4.2.3 企业向量空间模型的构建 | 第51-53页 |
| 4.3 毕业生和企业模型相似度计算 | 第53-54页 |
| 4.4 实验与分析 | 第54-60页 |
| 4.5 本章小结 | 第60-61页 |
| 5 混合推荐模型的建立及效果评价 | 第61-77页 |
| 5.1 混合推荐模型 | 第61-66页 |
| 5.1.1 混合推荐模型的建立 | 第61-62页 |
| 5.1.2 混合推荐模型系数的确定 | 第62-64页 |
| 5.1.3 混合推荐结果展示 | 第64-66页 |
| 5.2 推荐效果评价 | 第66-76页 |
| 5.2.1 推荐效果对比 | 第66-67页 |
| 5.2.2 推荐效果对比实际检验 | 第67-72页 |
| 5.2.3 推荐效果综合检验 | 第72-76页 |
| 5.3 本章小结 | 第76-77页 |
| 6 总结与展望 | 第77-79页 |
| 6.1 总结 | 第77-78页 |
| 6.2 展望 | 第78-79页 |
| 参考文献 | 第79-82页 |
| 附录A | 第82-84页 |
| 附录B | 第84-89页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第89-91页 |
| 学位论文数据集 | 第91页 |
