基于网络关系特征的混合推荐算法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景及其意义 | 第9-10页 |
| 1.2 推荐算法研究现状及工业界应用 | 第10-11页 |
| 1.3 本文研究内容 | 第11-12页 |
| 1.4 本文研究章节结构 | 第12-13页 |
| 第2章 相关研究简介 | 第13-26页 |
| 2.1 推荐算法 | 第13-21页 |
| 2.1.1 基于内容的推荐算法 | 第13-14页 |
| 2.1.2 基于近邻的协同过滤推荐算法 | 第14-17页 |
| 2.1.3 基于模型的协同过滤推荐算法 | 第17-18页 |
| 2.1.4 混合推荐算法 | 第18-19页 |
| 2.1.5 推荐算法评估 | 第19-21页 |
| 2.2 复杂网络 | 第21-23页 |
| 2.2.1 复杂网络概述及结构特性 | 第21-22页 |
| 2.2.2 社区发现 | 第22-23页 |
| 2.3 GIRAPH图计算框架 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于复杂网络关系特征的推荐模型 | 第26-38页 |
| 3.1 挖掘网络关系特征 | 第26-31页 |
| 3.1.1 群落发现算法思想 | 第26-28页 |
| 3.1.2 基于Item的关系数据及权重 | 第28-29页 |
| 3.1.3 融合关系数据的多维度特征构建 | 第29-31页 |
| 3.2 分布式图框架加速群落发现 | 第31-33页 |
| 3.2.1 分布式算法思想 | 第31-32页 |
| 3.2.2 震荡检测及死锁处理 | 第32-33页 |
| 3.3 提取K-CORE节点消除噪声数据 | 第33-34页 |
| 3.4 基于关系特征的混合推荐架构 | 第34-37页 |
| 3.4.1 融入Model的二步推荐 | 第34-36页 |
| 3.4.2 混合推荐整体架构 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 实验与效果评估 | 第38-49页 |
| 4.0 实验数据集 | 第38-39页 |
| 4.1 实验环境 | 第39-40页 |
| 4.2 推荐算法评估指标 | 第40页 |
| 4.3 实验方案及结果分析 | 第40-48页 |
| 4.3.1 数据划分及评测搭建 | 第41-43页 |
| 4.3.2 网络关系特征提取 | 第43-45页 |
| 4.3.3 K-Core清洗数据 | 第45-46页 |
| 4.3.4 分布式加速群落发现 | 第46-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 总结与展望 | 第49-51页 |
| 5.1 工作总结 | 第49-50页 |
| 5.2 工作展望 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 作者简介及在学期间所取得的科研成果 | 第55-56页 |
| 致谢 | 第56页 |
