基于用户习惯的推荐算法研究与实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题背景和意义 | 第9-11页 |
| 1.2 相关主流技术简介 | 第11-12页 |
| 1.3 课题的研究内容 | 第12-13页 |
| 1.4 本文的章节结构 | 第13-15页 |
| 第二章 相关研究工作 | 第15-29页 |
| 2.1 实验数据分析及推荐系统简述 | 第15-17页 |
| 2.1.1 实验数据分析 | 第15-16页 |
| 2.1.2 推荐系统简述 | 第16-17页 |
| 2.2 模型评价指标简介 | 第17-18页 |
| 2.3 关系矩阵计算的研究和分析 | 第18-23页 |
| 2.4 归一化处理 | 第23-24页 |
| 2.5 标签类型分析 | 第24-26页 |
| 2.5.1 用户产生内容和职业产生内容 | 第24页 |
| 2.5.2 用户产生标签和组织产生标签 | 第24-25页 |
| 2.5.3 用户产生标签和组织产生标签的区别 | 第25-26页 |
| 2.6 标签相关工作分析 | 第26-28页 |
| 2.6.1 优化传统CF算法 | 第26页 |
| 2.6.2 分类、聚类处理标签 | 第26页 |
| 2.6.3 提取标签和用户或资源之间的关系 | 第26-27页 |
| 2.6.4 处理标签语义信息 | 第27页 |
| 2.6.5 利用三元关系产生推荐 | 第27页 |
| 2.6.6 相关工作分析总结 | 第27-28页 |
| 2.7 本章小结 | 第28-29页 |
| 第三章 基于用户标签偏好的推荐模型 | 第29-45页 |
| 3.1 评分数据处理 | 第29页 |
| 3.2 用户标签偏好算法 | 第29-41页 |
| 3.2.1 用户标签偏好 | 第30页 |
| 3.2.2 算法设计 | 第30-34页 |
| 3.2.3 用户标签偏好算法改进 | 第34-39页 |
| 3.2.4 实验验证 | 第39-41页 |
| 3.3 对比算法 | 第41-44页 |
| 3.3.1 奇异值分解算法 | 第41页 |
| 3.3.2 基于用户的协同过滤算法 | 第41页 |
| 3.3.3 基于UGT的推荐 | 第41-42页 |
| 3.3.4 Slope One算法 | 第42页 |
| 3.3.5 实验验证和结果评估 | 第42-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第四章 用户标签偏好稳定性算法 | 第45-53页 |
| 4.1 时间信息与用户标签稳定性 | 第45-48页 |
| 4.1.1 时间信息的使用 | 第45-47页 |
| 4.1.2 用户标签偏好稳定性 | 第47-48页 |
| 4.2 算法设计 | 第48-50页 |
| 4.2.1 用户标签偏好稳定性度量 | 第48-49页 |
| 4.2.2 计算流程 | 第49-50页 |
| 4.3 实验验证 | 第50-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 本文工作总结 | 第53-54页 |
| 5.2 未来工作展望 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 致谢 | 第60-61页 |
| 作者攻读学位期间发表的学术论文目录 | 第61页 |
