融合边信息的协同过滤推荐算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 绪论 | 第12-17页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 研究内容 | 第15-16页 |
| 1.4 论文组织结构 | 第16页 |
| 1.5 本章小结 | 第16-17页 |
| 2 协同过滤推荐算法概述 | 第17-31页 |
| 2.1 协同过滤推荐算法原理 | 第17-19页 |
| 2.2 常见的协同过滤推荐算法 | 第19-27页 |
| 2.2.1 基于内存的推荐算法 | 第19-23页 |
| 2.2.2 基于模型的推荐算法 | 第23-25页 |
| 2.2.3 混合推荐算法 | 第25-27页 |
| 2.3 协同过滤推荐算法评价标准 | 第27-29页 |
| 2.4 协同过滤推荐算法面临的问题 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 3 “三体”协同过滤推荐算法 | 第31-46页 |
| 3.1 边信息 | 第31-33页 |
| 3.2 隐语义模型 | 第33-37页 |
| 3.2.1 算法原理 | 第34-36页 |
| 3.2.2 算法流程 | 第36页 |
| 3.2.3 算法优缺点 | 第36-37页 |
| 3.3 “三体”协同过滤推荐算法 | 第37-45页 |
| 3.3.1 算法原理 | 第37-39页 |
| 3.3.2 算法流程 | 第39页 |
| 3.3.3 算法验证 | 第39-44页 |
| 3.3.4 算法的优缺点 | 第44-45页 |
| 3.4 本章小结 | 第45-46页 |
| 4 “三体”协同过滤推荐算法在不同场景下的应用 | 第46-65页 |
| 4.1 算法于图像推荐的应用 | 第46-54页 |
| 4.1.1 问题引入 | 第46-47页 |
| 4.1.2 实验流程 | 第47-53页 |
| 4.1.3 对比实验 | 第53-54页 |
| 4.2 算法于加入社交信息的电影推荐中的应用 | 第54-64页 |
| 4.2.1 问题引入 | 第55-56页 |
| 4.2.2 实验流程 | 第56-63页 |
| 4.2.3 对比实验 | 第63-64页 |
| 4.3 本章小结 | 第64-65页 |
| 5 总结与展望 | 第65-67页 |
| 5.1 总结 | 第65页 |
| 5.2 展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第71-73页 |
| 学位论文数据集 | 第73页 |
