基于情境感知的广播电视群组推荐方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 背景和意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 经典电视推荐方法的研究现状 | 第13-15页 |
| 1.2.2 电视群组推荐的研究现状 | 第15-16页 |
| 1.2.3 问题总结 | 第16-17页 |
| 1.3 本文研究内容 | 第17页 |
| 1.4 本文组织结构 | 第17-19页 |
| 第2章 推荐系统相关技术介绍 | 第19-31页 |
| 2.1 概述 | 第19页 |
| 2.2 基于内容的推荐 | 第19-21页 |
| 2.3 协同过滤推荐 | 第21-26页 |
| 2.3.1 基于内存的协同过滤推荐 | 第21-23页 |
| 2.3.2 基于模型的协同过滤推荐 | 第23-26页 |
| 2.4 混合推荐方法 | 第26-27页 |
| 2.5 情境感知推荐 | 第27-28页 |
| 2.6 群组推荐系统 | 第28-29页 |
| 2.7 推荐系统常用评价指标 | 第29-30页 |
| 2.8 本章小结 | 第30-31页 |
| 第3章 广播电视群组推荐问题与隐性特征获取 | 第31-43页 |
| 3.1 问题描述 | 第31-35页 |
| 3.1.1 总体描述 | 第31页 |
| 3.1.2 隐性特征获取问题 | 第31-32页 |
| 3.1.3 群组发现问题 | 第32-34页 |
| 3.1.4 群组推荐结果生成问题 | 第34-35页 |
| 3.2 基于情境感知的电视群组推荐方法概述 | 第35-37页 |
| 3.2.1 方案概述 | 第35-36页 |
| 3.2.2 各子模型间关系 | 第36-37页 |
| 3.3 基于张量分解的隐性特征获取 | 第37-41页 |
| 3.3.1 评分张量的获取 | 第37-38页 |
| 3.3.2 张量Tucker分解 | 第38-41页 |
| 3.3.3 特征矩阵描述 | 第41页 |
| 3.4 本章小结 | 第41-43页 |
| 第4章 基于情境感知和MCL的电视群组推荐方法 | 第43-53页 |
| 4.1 用户群组发现 | 第43-49页 |
| 4.1.1 马尔可夫聚类算法 | 第43-44页 |
| 4.1.2 节目和观看时间的聚类 | 第44-46页 |
| 4.1.3 群组发现策略 | 第46-48页 |
| 4.1.4 用户群组特征 | 第48-49页 |
| 4.2 群组推荐生成 | 第49-51页 |
| 4.2.1 单用户收视偏好特征获取 | 第49-50页 |
| 4.2.2 群组偏好融合 | 第50-51页 |
| 4.2.3 推荐列表生成 | 第51页 |
| 4.3 本章小结 | 第51-53页 |
| 第5章 实验与分析 | 第53-67页 |
| 5.1 实验设计 | 第53-58页 |
| 5.1.1 实验流程 | 第53-54页 |
| 5.1.2 数据预处理 | 第54-56页 |
| 5.1.3 群组推荐建模 | 第56-57页 |
| 5.1.4 评价指标选择 | 第57-58页 |
| 5.2 实验结果与分析 | 第58-65页 |
| 5.2.1 隐性特征获取结果分析 | 第58-59页 |
| 5.2.2 参数分析 | 第59-63页 |
| 5.2.3 融合策略分析 | 第63页 |
| 5.2.4 性能比较 | 第63-65页 |
| 5.3 本章小结 | 第65-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 工作总结 | 第67-68页 |
| 6.2 未来展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-75页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第75页 |
