基于用户动静态属性的综合推荐算法研究
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.3 推荐系统面临的挑战 | 第12-13页 |
| 1.4 论文研究内容 | 第13-14页 |
| 1.5 论文组织结构 | 第14-16页 |
| 第二章 推荐系统及其相关技术 | 第16-35页 |
| 2.1 传统推荐系统概述 | 第16-18页 |
| 2.2 相关技术 | 第18-25页 |
| 2.2.1 用户建模 | 第18-23页 |
| 2.2.2 信息检索技术 | 第23页 |
| 2.2.3 信息过滤技术 | 第23-24页 |
| 2.2.4 数据挖掘技术 | 第24-25页 |
| 2.3 推荐系统核心算法介绍 | 第25-31页 |
| 2.3.1 基于协同过滤的推荐 | 第25-26页 |
| 2.3.2 基于内容的推荐 | 第26-27页 |
| 2.3.3 基于人口统计信息的推荐模型 | 第27-28页 |
| 2.3.4 基于图的推荐模型 | 第28页 |
| 2.3.5 基于关联规则推荐模型 | 第28-29页 |
| 2.3.6 混合推荐 | 第29-31页 |
| 2.4 推荐算法的评价指标 | 第31-34页 |
| 2.4.1 推荐精准度 | 第31-32页 |
| 2.4.2 用户满意度 | 第32-33页 |
| 2.4.3 物品覆盖率 | 第33页 |
| 2.4.4 物品流行性和多样性 | 第33-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 根据动、静态属性计算用户相似度 | 第35-56页 |
| 3.1 用户属性和用户行为概述 | 第35-39页 |
| 3.1.1 用户属性 | 第35-36页 |
| 3.1.2 用户行为 | 第36-39页 |
| 3.2 用户的静态属性 | 第39-42页 |
| 3.2.1 基本概念 | 第39-40页 |
| 3.2.2 用户静态属性数据来源 | 第40页 |
| 3.2.3 用户静态属性的处理方法 | 第40-42页 |
| 3.3 用户的动态属性 | 第42-48页 |
| 3.3.1 基本概念 | 第42-43页 |
| 3.3.2 用户动态属性数据来源 | 第43-44页 |
| 3.3.3 用户动态属性的标准 | 第44-48页 |
| 3.4 用户的喜好属性 | 第48-50页 |
| 3.4.1 用户喜好的界定 | 第48-49页 |
| 3.4.2 用户的喜好属性 | 第49-50页 |
| 3.5 结合动静态属性的用户相似度计算 | 第50-55页 |
| 3.5.1 传统用户相似度度量方法 | 第50-53页 |
| 3.5.2 基于静态属性用户相似度计算 | 第53-54页 |
| 3.5.3 基于动态属性用户相似度计算 | 第54-55页 |
| 3.6 本章小结 | 第55-56页 |
| 第四章 基于用户动静态属性的综合推荐算法 | 第56-67页 |
| 4.1 综合推荐模型的建立 | 第56-57页 |
| 4.2 线下收集模块 | 第57-62页 |
| 4.2.1 二部图与最大最小对集 | 第58-61页 |
| 4.2.2 完全二部图的最小最大对集 | 第61-62页 |
| 4.3 动静态属性的动态更新模块 | 第62-64页 |
| 4.4 项目的推荐模块 | 第64-65页 |
| 4.5 本章小结 | 第65-67页 |
| 第五章 实验结果与分析 | 第67-75页 |
| 5.1 实验目的 | 第67页 |
| 5.2 实验环境和数据集 | 第67-69页 |
| 5.3 实验评价指标 | 第69页 |
| 5.4 实验结果分析 | 第69-74页 |
| 5.4.1 实验一 | 第69-72页 |
| 5.4.2 实验二 | 第72-74页 |
| 5.5 本章小结 | 第74-75页 |
| 第六章 总结与展望 | 第75-77页 |
| 6.1 全文总结 | 第75-76页 |
| 6.2 下一步展望 | 第76-77页 |
| 参考文献 | 第77-83页 |
| 致谢 | 第83-84页 |
| 作者简介 | 第84页 |
