基于协同过滤的个性化推荐技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 推荐系统研究现状 | 第10-11页 |
| 1.3 本文工作 | 第11-13页 |
| 1.3.1 研究内容与主要工作 | 第11-12页 |
| 1.3.2 组织安排 | 第12-13页 |
| 第2章 相关理论与技术概述 | 第13-28页 |
| 2.1 个性化推荐基本原理 | 第13-14页 |
| 2.2 个性化推荐技术 | 第14-18页 |
| 2.2.1 基于内容的推荐 | 第14-17页 |
| 2.2.2 基于协同过滤的推荐 | 第17页 |
| 2.2.3 混合协同过滤推荐 | 第17-18页 |
| 2.3 线性回归的基本原理 | 第18-22页 |
| 2.4 XGBoost的基本原理 | 第22-25页 |
| 2.5 个性化推荐系统存在的问题 | 第25-27页 |
| 2.5.1 稀疏性问题 | 第25-26页 |
| 2.5.2 多样性问题 | 第26页 |
| 2.5.3 扩展性问题 | 第26页 |
| 2.5.4 冷启动问题 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第3章 基于协同过滤的个性化推荐技术 | 第28-40页 |
| 3.1 基于内存的个性化推荐技术 | 第28-32页 |
| 3.1.1 相似性计算 | 第28-29页 |
| 3.1.2 基于用户的协同过滤 | 第29-31页 |
| 3.1.3 基于项目的协同过滤 | 第31-32页 |
| 3.2 改进基于内存的个性化推荐算法 | 第32-35页 |
| 3.2.1 改进基于内存的个性化推荐算法思想 | 第32-34页 |
| 3.2.2 改进基于内存的个性化推荐算法步骤 | 第34-35页 |
| 3.3 实验分析 | 第35-39页 |
| 3.3.1 实验数据处理及参数设置 | 第35-36页 |
| 3.3.2 评测标准 | 第36页 |
| 3.3.3 实验结果及分析 | 第36-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 混合协同过滤的个性化推荐技术 | 第40-56页 |
| 4.1 混合推荐方式 | 第40-41页 |
| 4.2 基于模型的个性化推荐技术 | 第41-45页 |
| 4.2.1 矩阵分解技术 | 第41-43页 |
| 4.2.2 偏置矩阵分解技术 | 第43-45页 |
| 4.3 混合协同过滤的个性化推荐算法思想 | 第45-46页 |
| 4.4 混合协同过滤的个性化推荐算法步骤 | 第46-49页 |
| 4.5 实验分析 | 第49-55页 |
| 4.5.1 评测标准 | 第49-50页 |
| 4.5.2 实验结果分析 | 第50-55页 |
| 4.6 本章小结 | 第55-56页 |
| 第5章 个性化推荐系统原型设计 | 第56-60页 |
| 5.1 系统架构设计 | 第56-57页 |
| 5.2 核心模块设计 | 第57-59页 |
| 5.2.1 数据管理模块设计 | 第57页 |
| 5.2.2 数据清洗模块设计 | 第57-58页 |
| 5.2.3 推荐策略模块设计 | 第58-59页 |
| 5.3 本章总结 | 第59-60页 |
| 第6章 总结与展望 | 第60-62页 |
| 6.1 本文工作总结 | 第60页 |
| 6.2 未来展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 作者简介 | 第66-67页 |
| 攻读硕士学位期间研究成果 | 第67页 |
