基于神经网络集成和用户偏好模型的协同过滤推荐算法研究
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 1 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 协同过滤推荐算法的研究现状 | 第13-14页 |
| 1.2.2 用户偏好模型的研究现状 | 第14-15页 |
| 1.2.3 神经网络集成的研究现状 | 第15-16页 |
| 1.3 研究内容和技术路线 | 第16-18页 |
| 1.3.1 研究内容 | 第16-17页 |
| 1.3.2 技术路线 | 第17-18页 |
| 2 推荐系统及相关技术 | 第18-31页 |
| 2.1 推荐系统概述 | 第18-19页 |
| 2.2 推荐系统体系结构 | 第19-20页 |
| 2.3 推荐算法分类 | 第20-27页 |
| 2.3.1 基于内容的推荐算法 | 第21页 |
| 2.3.2 基于协同过滤的推荐算法 | 第21-26页 |
| 2.3.3 组合推荐算法 | 第26-27页 |
| 2.3.4 其他算法 | 第27页 |
| 2.4 各种推荐算法比较 | 第27-28页 |
| 2.5 算法性能评估标准 | 第28-30页 |
| 2.5.1 数据集 | 第28-29页 |
| 2.5.2 评估标准 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 3 基于差分进化的负相关神经网络集成算法 | 第31-49页 |
| 3.1 神经网络集成 | 第31-32页 |
| 3.2 神经网络集成实现方式 | 第32-38页 |
| 3.2.1 结论合成方法 | 第32-33页 |
| 3.2.2 个体生成方法 | 第33-38页 |
| 3.3 差分进化的负相关神经网络集成实现 | 第38-48页 |
| 3.3.1 基本差分进化算法 | 第38-40页 |
| 3.3.2 集成个体的生成 | 第40-41页 |
| 3.3.3 集成结论的生成 | 第41-43页 |
| 3.3.4 实验设计和结果分析 | 第43-48页 |
| 3.4 本章小结 | 第48-49页 |
| 4 基于差分进化神经网络的用户偏好模型构建 | 第49-57页 |
| 4.1 用户偏好模型 | 第49-50页 |
| 4.1.1 项目特征属性矩阵 | 第49-50页 |
| 4.1.2 用户特征属性偏好模型 | 第50页 |
| 4.2 用户偏好模型训练 | 第50-53页 |
| 4.3 实验设计和结果分析 | 第53-56页 |
| 4.3.1 测试数据集 | 第53页 |
| 4.3.2 性能评价标准 | 第53页 |
| 4.3.3 结果分析 | 第53-56页 |
| 4.4 本章小结 | 第56-57页 |
| 5 基于用户偏好模型的协同过滤推荐算法 | 第57-64页 |
| 5.1 基于用户偏好模型的协同过滤推荐算法流程 | 第57-60页 |
| 5.1.1 评分矩阵的获取 | 第57页 |
| 5.1.2 用户间的相似度计算 | 第57-58页 |
| 5.1.3 最近邻居搜索 | 第58页 |
| 5.1.4 预测评分的生成与推荐集的产生 | 第58-60页 |
| 5.2 算法时间复杂度分析 | 第60页 |
| 5.3 实验设计和结果分析 | 第60-63页 |
| 5.3.1 测试数据集 | 第60页 |
| 5.3.2 性能评价标准 | 第60-61页 |
| 5.3.3 结果分析 | 第61-63页 |
| 5.4 本章小结 | 第63-64页 |
| 6 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64页 |
| 6.2 展望 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 在校期间发表的论文 | 第71-72页 |
| 致谢 | 第72页 |
