个性化推荐中协同过滤算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 推荐系统应用现状 | 第12-14页 |
| 1.2.2 推荐算法研究现状 | 第14-15页 |
| 1.3 本文的研究内容 | 第15页 |
| 1.4 本文的组织结构 | 第15-17页 |
| 2 个性化推荐系统 | 第17-26页 |
| 2.1 个性化推荐系统概述 | 第17页 |
| 2.2 个性化推荐系统结构 | 第17-19页 |
| 2.3 主要个性化推荐技术 | 第19-25页 |
| 2.3.1 协同过滤推荐技术 | 第19-20页 |
| 2.3.2 基于内容的推荐技术 | 第20-22页 |
| 2.3.3 基于关联规则的推荐技术 | 第22-24页 |
| 2.3.4 混合推荐技术 | 第24-25页 |
| 2.4 个性化推荐技术比较 | 第25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 传统协同过滤推荐算法 | 第26-35页 |
| 3.1 基于用户的协同过滤推荐算法 | 第26-28页 |
| 3.2 基于项目的协同过滤推荐算法 | 第28-30页 |
| 3.3 协同过滤算法存在的问题 | 第30-32页 |
| 3.3.1 数据稀疏问题 | 第31页 |
| 3.3.2 冷启动问题 | 第31-32页 |
| 3.3.3 可扩展性问题 | 第32页 |
| 3.4 算法性能评估标准 | 第32-34页 |
| 3.4.1 数据集 | 第32-33页 |
| 3.4.2 评估标准 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 4 改进的协同过滤推荐算法 | 第35-56页 |
| 4.1 问题的提出与分析 | 第35-37页 |
| 4.1.1 数据稀疏问题 | 第35-36页 |
| 4.1.2 用户兴趣迁移 | 第36-37页 |
| 4.2 算法的改进思路 | 第37-51页 |
| 4.2.1 对项目进行聚类填充 | 第37-45页 |
| 4.2.2 引入时间权重函数 | 第45-49页 |
| 4.2.3 虚拟最近邻矩阵 | 第49-51页 |
| 4.3 改进算法分析 | 第51-54页 |
| 4.4 本章小结 | 第54-56页 |
| 5 实验设计和结果分析 | 第56-65页 |
| 5.1 实验数据与环境 | 第56-58页 |
| 5.1.1 MovieLens数据集 | 第56-58页 |
| 5.1.2 实验环境 | 第58页 |
| 5.2 评估标准 | 第58页 |
| 5.3 实验方案 | 第58-64页 |
| 5.4 本章小结 | 第64-65页 |
| 6 结论与展望 | 第65-67页 |
| 6.1 本文总结 | 第65-66页 |
| 6.2 工作展望 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第70-72页 |
| 学位论文数据集 | 第72页 |
