面向海量数据环境的个性化推荐机制应用研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题研究背景与意义 | 第8-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.3 本文的主要工作与组织结构 | 第12-14页 |
| 第二章 推荐系统及相关技术 | 第14-26页 |
| 2.1 推荐系统 | 第14-16页 |
| 2.1.1 推荐系统的定义 | 第14-15页 |
| 2.1.2 推荐系统的作用 | 第15-16页 |
| 2.2 推荐系统的结构 | 第16-18页 |
| 2.3 推荐系统的技术 | 第18-24页 |
| 2.3.1 基于规则的推荐 | 第18-20页 |
| 2.3.2 基于内容的推荐 | 第20-21页 |
| 2.3.3 基于协同过滤的推荐 | 第21-23页 |
| 2.3.4 基于混合算法的推荐 | 第23-24页 |
| 2.4 推荐技术的优缺点 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 协同过滤算法的研究 | 第26-40页 |
| 3.1 协同过滤算法概述 | 第26-28页 |
| 3.1.1 协同过滤算法原理与历史 | 第26-27页 |
| 3.1.2 协同过滤算法步骤 | 第27-28页 |
| 3.2 协同过滤算法的应用 | 第28-30页 |
| 3.3 基于内存的协同过滤算法 | 第30-37页 |
| 3.3.1 基于用户的协同过滤算法 | 第31-33页 |
| 3.3.2 基于项目的协同过滤算法 | 第33-34页 |
| 3.3.3 基于模型的协同过滤算法 | 第34-37页 |
| 3.4 协同过滤算法中存在的问题 | 第37-39页 |
| 3.4.1 数据稀疏性 | 第37页 |
| 3.4.2 冷启动问题 | 第37-38页 |
| 3.4.3 可扩展性 | 第38页 |
| 3.4.4 实时性 | 第38-39页 |
| 3.5 协同过滤算法的改进策略 | 第39页 |
| 3.6 本章小结 | 第39-40页 |
| 第四章 协同过滤算法的改进 | 第40-54页 |
| 4.1 问题的提出 | 第40页 |
| 4.2 时间效应 | 第40-44页 |
| 4.2.1 时间窗技术 | 第41-42页 |
| 4.2.2 遗忘函数技术 | 第42-43页 |
| 4.2.3 改进的非线性遗忘函数 | 第43-44页 |
| 4.3 缩减数据集 | 第44-48页 |
| 4.3.1 缩减数据集的方法 | 第44-45页 |
| 4.3.2 概念分层 | 第45页 |
| 4.3.3 建立用户-项目评分候选矩阵 | 第45-47页 |
| 4.3.4 算法描述 | 第47-48页 |
| 4.4 基于用户兴趣的偏好度评分预测 | 第48-52页 |
| 4.4.1 基于用户的兴趣偏好填充的思想 | 第48-49页 |
| 4.4.2 建立基于用户兴趣偏好填充矩阵 | 第49-50页 |
| 4.4.3 算法描述 | 第50-52页 |
| 4.5 改进的协同过滤算法 | 第52-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第五章 实验与分析 | 第54-61页 |
| 5.1 实验数据集和评估标准 | 第54-56页 |
| 5.1.1 实验数据集 | 第54-55页 |
| 5.1.2 实验评估标准 | 第55-56页 |
| 5.2 实验方案 | 第56页 |
| 5.3 实验结果与分析 | 第56-60页 |
| 5.4 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61-62页 |
| 6.2 展望 | 第62-63页 |
| 参考文献 | 第63-65页 |
| 附录 2 攻读硕士学位期间撰写的论文 | 第65-66页 |
| 致谢 | 第66页 |
