基于协同过滤算法的个性化推荐研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景和研究意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8页 |
| 1.1.2 研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文研究内容 | 第11页 |
| 1.4 本文的组织结构 | 第11-13页 |
| 第二章 个性化推荐系统理论 | 第13-21页 |
| 2.1 个性化推荐系统概述 | 第13-14页 |
| 2.2 主要的推荐算法介绍 | 第14-18页 |
| 2.2.1 基于人口统计学的推荐 | 第14页 |
| 2.2.2 基于内容的推荐 | 第14-15页 |
| 2.2.3 基于关联规则的推荐 | 第15-17页 |
| 2.2.4 基于协同过滤的推荐 | 第17页 |
| 2.2.5 基于混合算法的推荐 | 第17-18页 |
| 2.3 推荐系统面临的问题 | 第18-21页 |
| 2.3.1 数据稀疏性问题 | 第18-19页 |
| 2.3.2 冷启动问题 | 第19页 |
| 2.3.3 扩展性问题 | 第19-20页 |
| 2.3.4 同义词问题 | 第20页 |
| 2.3.5 脆弱性问题 | 第20-21页 |
| 第三章 传统的协同过滤算法 | 第21-30页 |
| 3.1 基于用户的协同过滤算法 | 第21-24页 |
| 3.2 基于物品的协同过滤算法 | 第24-26页 |
| 3.3 基于模型的协同过滤算法 | 第26-28页 |
| 3.4 推荐效果的评价标准 | 第28-30页 |
| 第四章 改进的基于用户的协同过滤算法 | 第30-45页 |
| 4.1 基于用户的协同过滤算法存在的问题与分析 | 第30-32页 |
| 4.1.1 可扩展性问题 | 第30页 |
| 4.1.2 相似度缺乏用户情感问题 | 第30-31页 |
| 4.1.3 用户兴趣迁移问题 | 第31-32页 |
| 4.2 算法的改进方案 | 第32-43页 |
| 4.2.1 对用户进行谱聚类 | 第32-35页 |
| 4.2.2 决策树策略改进Salton相似度 | 第35-39页 |
| 4.2.3 改进的时间加权的预测评分模型 | 第39-43页 |
| 4.3 改进算法的描述 | 第43-45页 |
| 第五章 实验和结果分析 | 第45-53页 |
| 5.1 数据集和实验环境 | 第45-46页 |
| 5.1.1 MovieLens数据集 | 第45-46页 |
| 5.1.2 实验环境 | 第46页 |
| 5.2 评价指标 | 第46-47页 |
| 5.3 实验策略及具体分析 | 第47-53页 |
| 5.3.1 实验策略 | 第47页 |
| 5.3.2 具体分析 | 第47-53页 |
| 第六章 结论与展望 | 第53-55页 |
| 6.1 论文总结 | 第53页 |
| 6.2 工作展望 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-58页 |
