基于用户行为分析的群组推荐方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究现状 | 第9-12页 |
| 1.2.1 用户行为分析 | 第9页 |
| 1.2.2 群组发现 | 第9-10页 |
| 1.2.3 偏好融合 | 第10-11页 |
| 1.2.4 群组推荐 | 第11-12页 |
| 1.3 研究内容 | 第12-13页 |
| 1.4 论文结构 | 第13-14页 |
| 第二章 相关背景知识介绍 | 第14-32页 |
| 2.1 推荐系统 | 第14-17页 |
| 2.1.1 基于内容推荐 | 第14页 |
| 2.1.2 协同过滤推荐 | 第14-16页 |
| 2.1.3 基于知识推荐 | 第16页 |
| 2.1.4 组合推荐 | 第16-17页 |
| 2.2 群组推荐系统 | 第17-20页 |
| 2.2.1 群组发现 | 第18-19页 |
| 2.2.2 偏好融合 | 第19-20页 |
| 2.3 卷积神经网络 | 第20-22页 |
| 2.4 概率矩阵分解 | 第22-23页 |
| 2.5 贝叶斯个性化排名 | 第23-25页 |
| 2.6 聚类分析及离群点检测 | 第25-29页 |
| 2.6.1 聚类分析 | 第25-27页 |
| 2.6.2 离群点检测 | 第27-29页 |
| 2.7 ELO算法 | 第29-31页 |
| 2.8 本章小结 | 第31-32页 |
| 第三章 基于卷积概率矩阵分解的群组发现方法 | 第32-47页 |
| 3.1 研究思路 | 第32页 |
| 3.2 CNN服务特征模型 | 第32-34页 |
| 3.3 用户偏好模型 | 第34-35页 |
| 3.4 卷积概率矩阵分解模型 | 第35-36页 |
| 3.5 参数估计 | 第36-37页 |
| 3.6 群组发现模型 | 第37-41页 |
| 3.6.1 离群用户检测 | 第38-39页 |
| 3.6.2 聚类用户发现群组 | 第39-40页 |
| 3.6.3 确定离群用户群组 | 第40-41页 |
| 3.7 仿真实验与结果分析 | 第41-46页 |
| 3.7.1 数据集及预处理 | 第41页 |
| 3.7.2 实验设置 | 第41页 |
| 3.7.3 对比方法与评价指标 | 第41-42页 |
| 3.7.4 结果分析 | 第42-46页 |
| 3.8 本章小结 | 第46-47页 |
| 第四章 基于混合推荐融合的在线群组推荐方法 | 第47-56页 |
| 4.1 研究思路 | 第47页 |
| 4.2 在线偏好更新模型 | 第47-49页 |
| 4.3 混合推荐融合模型 | 第49-50页 |
| 4.4 ELO评价模型 | 第50-51页 |
| 4.5 仿真实验与结果分析 | 第51-55页 |
| 4.5.1 数据集及预处理 | 第51-52页 |
| 4.5.2 实验设置 | 第52页 |
| 4.5.3 对比方法与评价指标 | 第52-53页 |
| 4.5.4 结果分析 | 第53-55页 |
| 4.6 本章小结 | 第55-56页 |
| 第五章 原型系统与应用示范 | 第56-63页 |
| 5.1 原型系统 | 第56-57页 |
| 5.1.1 背景介绍 | 第56页 |
| 5.1.2 系统结构 | 第56-57页 |
| 5.2 应用示范 | 第57-62页 |
| 5.2.1 需求分析 | 第58页 |
| 5.2.2 概要设计 | 第58页 |
| 5.2.3 详细设计 | 第58-60页 |
| 5.2.4 具体实现 | 第60-62页 |
| 5.3 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-64页 |
| 6.1 总结 | 第63页 |
| 6.2 展望 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第67-68页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第68-69页 |
| 致谢 | 第69页 |
