基于社交网络的混合推荐算法研究
| 中文摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-18页 |
| 1.1 研究背景和研究意义 | 第8-12页 |
| 1.1.1 研究背景 | 第8-10页 |
| 1.1.2 研究意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 推荐算法发展历程 | 第12页 |
| 1.2.2 推荐算法的研究 | 第12-14页 |
| 1.3 社交网络个性化推荐研究 | 第14页 |
| 1.4 论文的研究内容 | 第14-16页 |
| 1.5 论文的组织结构 | 第16-18页 |
| 第二章 推荐系统及社交网络相关技术介绍 | 第18-30页 |
| 2.1 推荐系统的实际应用 | 第18-20页 |
| 2.2 传统推荐算法的介绍 | 第20-27页 |
| 2.2.1 基于内容的推荐算法 | 第21-22页 |
| 2.2.2 基于知识的推荐 | 第22-23页 |
| 2.2.3 协同过滤推荐算法 | 第23-25页 |
| 2.2.4 基于关联规则推荐 | 第25页 |
| 2.2.5 基于效用推荐 | 第25页 |
| 2.2.6 混合推荐 | 第25-26页 |
| 2.2.7 主要推荐方法的对比 | 第26-27页 |
| 2.3 社交网络相关理论介绍 | 第27页 |
| 2.3.1 社交网络的定义 | 第27页 |
| 2.3.2 社交网络的特点 | 第27页 |
| 2.4 基于社交网站推荐系统存在的问题 | 第27-30页 |
| 第三章 矩阵分解模型与双线性模型 | 第30-40页 |
| 3.1 矩阵分解模型 | 第30-32页 |
| 3.1.1 矩阵分解基本方法 | 第30-32页 |
| 3.2 学习标准 | 第32-34页 |
| 3.3 模型学习 | 第34-37页 |
| 3.3.1 梯度下降法 | 第34-36页 |
| 3.3.2 梯度下降在推荐模型中的学习 | 第36-37页 |
| 3.4 线性模型 | 第37-38页 |
| 3.5 混合模型的结构 | 第38-40页 |
| 第四章 混合推荐系统 | 第40-51页 |
| 4.1 损失函数的确定 | 第40-41页 |
| 4.1.1 分类损失函数 | 第40-41页 |
| 4.1.2 评分对损失函数 | 第41页 |
| 4.2 基于潜在因素的矩阵分解 | 第41-42页 |
| 4.3 参数学习 | 第42-43页 |
| 4.4 基于潜在因素模型的设计 | 第43-51页 |
| 4.4.1 社交活动 | 第44-45页 |
| 4.4.2 用户档案 | 第45-47页 |
| 4.4.3 上下文关系 | 第47-48页 |
| 4.4.4 分类信息 | 第48页 |
| 4.4.5 动态信息 | 第48-49页 |
| 4.4.6 时序模式 | 第49-51页 |
| 第五章 实验与分析 | 第51-59页 |
| 5.1. 数据文件描述 | 第51-53页 |
| 5.1.2 数据集的预处理分析 | 第52-53页 |
| 5.2 实验评价标准 | 第53-55页 |
| 5.3 实验方案 | 第55-57页 |
| 5.3.1 算法的执行方式 | 第55-56页 |
| 5.3.2 实验环境 | 第56页 |
| 5.3.3 实验模型 | 第56-57页 |
| 5.4 实验结果与分析 | 第57-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 工作总结 | 第59页 |
| 6.2 未来展望 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 致谢 | 第66页 |
