基于用户兴趣和主题模型的混合推荐算法的研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 基于用户兴趣的推荐方法 | 第11-12页 |
| 1.2.2 基于主题模型的推荐方法 | 第12-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 论文组织 | 第14-15页 |
| 第二章 基于用户兴趣的推荐算法的研究与设计 | 第15-28页 |
| 2.1 基于用户兴趣的推荐算法 | 第15-18页 |
| 2.1.1 基于内容的推荐 | 第15-16页 |
| 2.1.2 协同过滤推荐 | 第16页 |
| 2.1.3 基于关联规则的推荐 | 第16-17页 |
| 2.1.4 混合推荐 | 第17页 |
| 2.1.5 现有推荐算法存在的问题 | 第17-18页 |
| 2.2 混合用户兴趣相似度模型 | 第18-22页 |
| 2.2.1 混合相似度度量 | 第18-20页 |
| 2.2.2 用户属性相似度度量 | 第20页 |
| 2.2.3 用户评分相似度度量 | 第20-22页 |
| 2.3 算法流程 | 第22-24页 |
| 2.4 实验过程及结果分析 | 第24-27页 |
| 2.4.1 实验数据集 | 第24页 |
| 2.4.2 度量标准 | 第24-25页 |
| 2.4.3 实验设置与分析 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于主题模型的推荐算法的研究与设计 | 第28-41页 |
| 3.1 基于主题模型的推荐算法的简介 | 第28-30页 |
| 3.1.1 LDA模型的简介 | 第28-29页 |
| 3.1.2 基于LDA的推荐算法 | 第29-30页 |
| 3.2 时间效应 | 第30-33页 |
| 3.2.1 时间因子 | 第30-31页 |
| 3.2.2 遗忘曲线 | 第31-32页 |
| 3.2.3 基于时间窗的时间函数 | 第32-33页 |
| 3.3 改进主题模型的推荐算法 | 第33-37页 |
| 3.3.1 TR-LDA模型 | 第33-34页 |
| 3.3.2 基于TR-LDA模型的推荐算法 | 第34-35页 |
| 3.3.3 参数估计 | 第35-37页 |
| 3.4 实验过程及结果分析 | 第37-40页 |
| 3.4.1 实验数据集及度量标准 | 第37页 |
| 3.4.2 参数分析 | 第37-38页 |
| 3.4.3 结果分析 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 混合推荐系统设计与实现 | 第41-55页 |
| 4.1 系统整体设计 | 第41-42页 |
| 4.2 数据库设计 | 第42-43页 |
| 4.3 系统时序关系 | 第43-45页 |
| 4.4 客户端设计与实现 | 第45-48页 |
| 4.4.1 登录/注册页面设计与实现 | 第46页 |
| 4.4.2 电影列表页设计与实现 | 第46-47页 |
| 4.4.3 个性化推荐列表设计与实现 | 第47-48页 |
| 4.5 服务端的设计与实现 | 第48-51页 |
| 4.5.1 业务逻辑模块 | 第48-49页 |
| 4.5.2 推荐模块 | 第49-51页 |
| 4.6 系统测试 | 第51-54页 |
| 4.6.1 测试环境 | 第52页 |
| 4.6.2 功能测试 | 第52-53页 |
| 4.6.3 性能测试 | 第53-54页 |
| 4.7 本章小结 | 第54-55页 |
| 第五章 总结及展望 | 第55-57页 |
| 5.1 主要工作总结 | 第55页 |
| 5.2 研究展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 攻读学位期间发表的学术论文 | 第62页 |
