个性化推荐系统关键技术研究
| 摘要 | 第4-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第15-33页 |
| 1.1 研究背景及意义 | 第15-20页 |
| 1.2 推荐系统面临的主要问题 | 第20-22页 |
| 1.3 本文研究的主要内容及贡献 | 第22-24页 |
| 1.3.1 本论文的主要研究内容 | 第22-24页 |
| 1.3.2 本论文的主要贡献 | 第24页 |
| 1.4 论文组织结构 | 第24-25页 |
| 参考文献 | 第25-33页 |
| 第二章 推荐系统综述 | 第33-55页 |
| 2.1 引言 | 第33-34页 |
| 2.2 推荐系统在工业界中的应用 | 第34-37页 |
| 2.3 推荐系统的主要方法 | 第37-46页 |
| 2.3.1 基于相似性的推荐 | 第37-40页 |
| 2.3.2 基于降维技术的推荐方法 | 第40-42页 |
| 2.3.3 社会化推荐 | 第42-44页 |
| 2.3.4 元方法 | 第44-46页 |
| 2.4 推荐系统评测 | 第46-49页 |
| 2.4.1 预测准确度 | 第46-47页 |
| 2.4.2 覆盖率 | 第47-48页 |
| 2.4.3 新颖性 | 第48页 |
| 2.4.4 多样性 | 第48-49页 |
| 2.5 本章小结 | 第49页 |
| 参考文献 | 第49-55页 |
| 第三章 隐社会化推荐系统 | 第55-75页 |
| 3.1 引言 | 第55-56页 |
| 3.2 相关研究工作 | 第56-58页 |
| 3.2.1 协同过滤算法 | 第56页 |
| 3.2.2 社会化推荐系统 | 第56-57页 |
| 3.2.3 当前研究中存在的问题 | 第57-58页 |
| 3.3 社会化推荐系统 | 第58-60页 |
| 3.3.1 用户-物品评分矩阵分解 | 第58-59页 |
| 3.3.2 社交网络矩阵分解 | 第59-60页 |
| 3.4 隐社会化推荐系统 | 第60-64页 |
| 3.4.1 隐社会化推荐系统 | 第61-64页 |
| 3.4.2 复杂度分析 | 第64页 |
| 3.5 实验与分析 | 第64-70页 |
| 3.5.1 数据描述和评价指标 | 第64-65页 |
| 3.5.2 对比算法和参数设置 | 第65-66页 |
| 3.5.3 评分预测分析 | 第66-68页 |
| 3.5.4 数据稀疏性分析 | 第68-69页 |
| 3.5.5 参数λ_C对推荐结果的影响分析 | 第69-70页 |
| 3.6 本章小结 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 第四章 融入用户兴趣的社会化推荐系统 | 第75-88页 |
| 4.1 引言 | 第75-76页 |
| 4.2 相关工作 | 第76-77页 |
| 4.2.1 社会化推荐 | 第76-77页 |
| 4.2.2 当前研究中存在的问题 | 第77页 |
| 4.3 融入用户兴趣网络的社会化推荐 | 第77-83页 |
| 4.3.1 定义符号 | 第77-78页 |
| 4.3.2 用户兴趣社交关系矩阵 | 第78-79页 |
| 4.3.3 基础评分矩阵分解模型 | 第79-80页 |
| 4.3.4 社交关系矩阵分解模型 | 第80-81页 |
| 4.3.5 融入用户兴趣网络的社会化推荐模型 | 第81-83页 |
| 4.4 实验与分析 | 第83-85页 |
| 4.4.1 数据描述和评测指标 | 第83页 |
| 4.4.2 对比算法和参数设置 | 第83-84页 |
| 4.4.3 实验结果和分析 | 第84-85页 |
| 4.5 本章小结 | 第85页 |
| 参考文献 | 第85-88页 |
| 第五章 用户熟悉度感知推荐系统 | 第88-103页 |
| 5.1 引言 | 第88-89页 |
| 5.2 相关研究工作 | 第89-90页 |
| 5.2.1 推荐系统相关研究 | 第89-90页 |
| 5.2.2 当前研究中存在的问题 | 第90页 |
| 5.3 用户熟悉度感知推荐系统 | 第90-94页 |
| 5.3.1 用户熟悉度模型 | 第91-92页 |
| 5.3.2 物品特征模型 | 第92页 |
| 5.3.3 用户熟悉度感知推荐模型 | 第92-94页 |
| 5.3.4 复杂度分析 | 第94页 |
| 5.4 实验结果和分析 | 第94-99页 |
| 5.4.1 数据描述 | 第94-96页 |
| 5.4.2 评价标准 | 第96页 |
| 5.4.3 实验结果与分析 | 第96-99页 |
| 5.5 本章小结 | 第99页 |
| 参考文献 | 第99-103页 |
| 第六章 评分上下文感知通用推荐模型 | 第103-119页 |
| 6.1 引言 | 第103-104页 |
| 6.2 相关研究工作 | 第104-106页 |
| 6.2.1 协同过滤 | 第104页 |
| 6.2.2 融入标签上下文信息协同过滤 | 第104-105页 |
| 6.2.3 时间上下文信息协同过滤 | 第105页 |
| 6.2.4 当前研究中存在的问题 | 第105-106页 |
| 6.3 评分上下文感知通用模型 | 第106-110页 |
| 6.3.1 评分上下文感知推荐系统通用模型 | 第106-108页 |
| 6.3.2 时间权重感知推荐模型 | 第108页 |
| 6.3.3 了解度权重感知推荐模型 | 第108-110页 |
| 6.4 实验结果和分析 | 第110-115页 |
| 6.4.1 数据描述 | 第110-112页 |
| 6.4.2 评价标准 | 第112页 |
| 6.4.3 实验结果和分析 | 第112-115页 |
| 6.5 本章小结 | 第115页 |
| 参考文献 | 第115-119页 |
| 第七章 总结和展望 | 第119-123页 |
| 7.1 论文总结 | 第119-121页 |
| 7.2 进一步工作 | 第121-123页 |
| 附录 缩略语 | 第123-125页 |
| 致谢 | 第125-126页 |
| 攻读学位期间的学术成果 | 第126页 |
