基于多元统计的个性化推荐算法
| 摘要 | 第3-4页 |
| Abstarct | 第4-5页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 研究背景及意义 | 第7-9页 |
| 1.2 文献综述 | 第9-11页 |
| 1.3 本论文的研究内容及创新点 | 第11页 |
| 1.4 本文的结构组织 | 第11-13页 |
| 第二章 经典推荐算法 | 第13-21页 |
| 2.1 基于内容的推荐 | 第13-16页 |
| 2.2 基于协同过滤推荐 | 第16-17页 |
| 2.3 基于关联规则的推荐算法 | 第17-18页 |
| 2.4 基于模型的协同过滤算法 | 第18-19页 |
| 2.5 基于人口统计学的协同过滤算法 | 第19-20页 |
| 2.6 本章小结 | 第20-21页 |
| 第三章 混合推荐算法 | 第21-29页 |
| 3.1 余弦相似度 | 第21页 |
| 3.2 修正的余弦相似度 | 第21-22页 |
| 3.3 用户相似度计算的改进 | 第22-23页 |
| 3.3.1 时间遗忘函数 | 第22页 |
| 3.3.2 惩罚因子 | 第22-23页 |
| 3.4 主成分分析 | 第23-24页 |
| 3.5 K-means聚类算法 | 第24-25页 |
| 3.6 改进的混合推荐算法 | 第25-27页 |
| 3.7 评价指标 | 第27-28页 |
| 3.7.1 预测评分的准确度 | 第27页 |
| 3.7.2 准确率指标(Precision | 第27页 |
| 3.7.3 召回率指标(Recall) | 第27-28页 |
| 3.7.4 综合评价指标(F-Measure) | 第28页 |
| 3.8 本章小结 | 第28-29页 |
| 第四章 实验数据分析 | 第29-33页 |
| 4.1 实验数据集介绍 | 第29-30页 |
| 4.2 实验结果 | 第30-31页 |
| 4.3 结果分析 | 第31-32页 |
| 4.4 本章小结 | 第32-33页 |
| 第五章 总结与展望 | 第33-34页 |
| 5.1 总结 | 第33页 |
| 5.2 展望 | 第33-34页 |
| 参考文献 | 第34-36页 |
| 致谢 | 第36-37页 |
