基于高维显性特征的矩阵分解推荐
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-10页 |
| 2 推荐算法概述 | 第10-31页 |
| 2.1 数据挖掘基础 | 第10-13页 |
| 2.1.1 相似度度量 | 第11页 |
| 2.1.2 采样 | 第11-12页 |
| 2.1.3 降维 | 第12页 |
| 2.1.4 分类与聚类 | 第12-13页 |
| 2.2 基于内容的推荐 | 第13-18页 |
| 2.2.1 基于关键词的向量空间模型 | 第13-15页 |
| 2.2.2 概率模型与朴素贝叶斯 | 第15-17页 |
| 2.2.3 相关反馈与Roechio算法 | 第17-18页 |
| 2.3 基于近邻的推荐 | 第18-26页 |
| 2.3.1 基于用户的评分预测 | 第19-22页 |
| 2.3.2 基于用户的分类 | 第22-23页 |
| 2.3.3 基于条目的推荐 | 第23-24页 |
| 2.3.4 基于图的推荐 | 第24-26页 |
| 2.4 协同过滤推荐 | 第26-27页 |
| 2.5 推荐系统应用 | 第27-31页 |
| 3 矩阵分解推荐模型 | 第31-46页 |
| 3.1 矩阵分解推荐算法 | 第31-40页 |
| 3.1.1 基础算法 | 第31-33页 |
| 3.1.2 SVD | 第33-34页 |
| 3.1.3 SVD++ | 第34-35页 |
| 3.1.4 基于时间的模型 | 第35-38页 |
| 3.1.5 MF算法其他拓展 | 第38-40页 |
| 3.2 提出模型 | 第40-46页 |
| 3.2.1 偏移量调整 | 第41-42页 |
| 3.2.2 特征向量 | 第42-43页 |
| 3.2.3 目标函数与求解 | 第43-44页 |
| 3.2.4 算法流程 | 第44-45页 |
| 3.2.5 评价指标 | 第45-46页 |
| 4 相关实验 | 第46-52页 |
| 4.1 数据集 | 第46-47页 |
| 4.2 对比实验 | 第47页 |
| 4.3 实验过程 | 第47-52页 |
| 4.3.1 数据集的准备 | 第47-48页 |
| 4.3.2 参数设置 | 第48页 |
| 4.3.3 实验结果与分析 | 第48-52页 |
| 结论 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 攻读硕士学位期间发表学术论文情况 | 第56-57页 |
| 致谢 | 第57-58页 |
