基于兴趣计算RS-TS模型的机顶盒节目推荐系统的实现
| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第12-14页 |
| 1.1 研究背景 | 第12页 |
| 1.2 论文的主要内容 | 第12-13页 |
| 1.3 本文的组织结构 | 第13-14页 |
| 第2章 相关背景与算法简介 | 第14-19页 |
| 2.1 研究背景 | 第14页 |
| 2.2 推荐系统简介 | 第14-16页 |
| 2.2.1 基于内容的推荐算法 | 第14-15页 |
| 2.2.2 协同推荐算法 | 第15页 |
| 2.2.3 混合的推荐算法 | 第15-16页 |
| 2.3 社会计算与兴趣计算 | 第16-19页 |
| 2.3.1 社会计算定义 | 第16-17页 |
| 2.3.2 兴趣计算 | 第17-19页 |
| 第3章 系统的总体设计 | 第19-28页 |
| 3.1 系统的总体概述 | 第19-20页 |
| 3.2 推荐系统原理 | 第20-21页 |
| 3.3 RS-TS模型 | 第21页 |
| 3.4 时间衰减模型 | 第21-22页 |
| 3.5 点播量模型 | 第22页 |
| 3.6 系统的功能模块设计 | 第22-26页 |
| 3.6.1 模块的划分 | 第22-23页 |
| 3.6.2 统计模块设计 | 第23-24页 |
| 3.6.3 推荐模块设计 | 第24-26页 |
| 3.7 系统流程图 | 第26页 |
| 3.8 数据库设计 | 第26-28页 |
| 第4章 统计模块设计与实现 | 第28-36页 |
| 4.1 收集数据模块po类 | 第28-29页 |
| 4.2 机顶盒service与thread的设计 | 第29-32页 |
| 4.2.1 Android service介绍 | 第29-30页 |
| 4.2.2 Android Thread介绍 | 第30-32页 |
| 4.3 用户调查表格 | 第32页 |
| 4.4 数据预处理 | 第32-34页 |
| 4.4.1 噪声的产生原因 | 第32-33页 |
| 4.4.2 数据清洗 | 第33页 |
| 4.4.3 数据集成与转换 | 第33页 |
| 4.4.4 数据消减 | 第33-34页 |
| 4.5 数据预处理算法简介 | 第34-35页 |
| 4.6 小结 | 第35-36页 |
| 第5章 推荐模块设计与实现 | 第36-44页 |
| 5.1 技术背景 | 第36-37页 |
| 5.2 RS-TS模型处理过程 | 第37-38页 |
| 5.3 兴趣度计算算法 | 第38-39页 |
| 5.4 基于RS-TS的协同过滤推荐算法 | 第39-41页 |
| 5.4.1 算法框架 | 第39-40页 |
| 5.4.2 相似度计算 | 第40-41页 |
| 5.4.3 K邻居计算 | 第41页 |
| 5.5 推荐结果 | 第41-43页 |
| 5.5.1 时间衰减调整算法 | 第41-42页 |
| 5.5.2 点击量调整算法 | 第42页 |
| 5.5.3 最终推荐结果 | 第42-43页 |
| 5.6 小结 | 第43-44页 |
| 第6章 实验结果与分析 | 第44-49页 |
| 6.1 系统推荐结果的评价 | 第44-46页 |
| 6.2 系统运行界面 | 第46-48页 |
| 6.2.1 推荐界面 | 第46-47页 |
| 6.2.2 调查界面 | 第47-48页 |
| 6.2.3 评分界面 | 第48页 |
| 6.3 小结 | 第48-49页 |
| 第7章 总结与进一步工作 | 第49-51页 |
| 7.1 总结 | 第49页 |
| 7.2 进一步工作 | 第49-51页 |
| 参考文献 | 第51-53页 |
| 致谢 | 第53页 |
