基于混合模型的推荐系统的研究
摘要 | 第4-6页 |
abstract | 第6-7页 |
第1章 绪论 | 第10-15页 |
1.1 研究背景与意义 | 第10-11页 |
1.2 目前推荐系统所存在的主要问题 | 第11-12页 |
1.3 国内外研究现状 | 第12页 |
1.4 论文的主要研究内容 | 第12-15页 |
1.4.1 研究内容 | 第12-13页 |
1.4.2 章节安排 | 第13-15页 |
第2章 相关概念及技术简介 | 第15-29页 |
2.1 推荐系统的架构 | 第15-16页 |
2.2 推荐系统的算法 | 第16-22页 |
2.3 推荐系统的测评指标 | 第22-24页 |
2.4 推荐系统的算法库 | 第24-25页 |
2.4.1 LibRec算法库 | 第24-25页 |
2.4.2 Mahout算法库 | 第25页 |
2.5 分类算法原理 | 第25-28页 |
2.5.1 逻辑回归算法(LR) | 第25-26页 |
2.5.2 梯度提升树算法(GBDT) | 第26-27页 |
2.5.3 随机森林算法(RF) | 第27-28页 |
2.6 本章小结 | 第28-29页 |
第3章 基于矩阵分解推荐的改进算法 | 第29-39页 |
3.1 矩阵分解模型 | 第29-35页 |
3.1.1 矩阵分解模型概述 | 第29-30页 |
3.1.2 SVD算法 | 第30-31页 |
3.1.3 SVD的改进推荐算法 | 第31-35页 |
3.2 SVD++的改进算法 | 第35-38页 |
3.3 本章小结 | 第38-39页 |
第4章 基于模型混合的推荐系统 | 第39-48页 |
4.1 模型的提出 | 第39-40页 |
4.2 基于混合模型的推荐系统框架 | 第40-44页 |
4.2.1 数据处理部分 | 第40-41页 |
4.2.2 数据采样部分 | 第41-42页 |
4.2.3 训练集的构建部分 | 第42页 |
4.2.4 特征工程部分 | 第42-44页 |
4.3 模型融合 | 第44-47页 |
4.3.1 模型融合所涉及的算法 | 第44-45页 |
4.3.2 分类器的模型融合算法 | 第45-47页 |
4.4 本章小结 | 第47-48页 |
第5章 实验分析与比较 | 第48-57页 |
5.1 矩阵分解的改进的实验设计 | 第48-51页 |
5.1.1 实验的数据集 | 第48页 |
5.1.2 实验的测评指标 | 第48-49页 |
5.1.3 实验结果的分析 | 第49-51页 |
5.2 基于模型混合的推荐系统的实验设计 | 第51-57页 |
5.2.1 实验的数据集 | 第51页 |
5.2.2 实验的测评指标 | 第51页 |
5.2.3 实验结果的分析 | 第51-57页 |
第6章 总结与进一步工作 | 第57-59页 |
6.1 工作总结 | 第57页 |
6.2 进一步工作 | 第57-59页 |
参考文献 | 第59-62页 |
作者简介及在学期所取得的科研成果 | 第62-63页 |
致谢 | 第63页 |