基于最优化邻居的协同过滤推荐算法的研究
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文研究内容 | 第12页 |
| 1.4 本文组织结构 | 第12-15页 |
| 第2章 个性化推荐技术概述 | 第15-29页 |
| 2.1 个性化推荐技术 | 第15-16页 |
| 2.1.1 个性化推荐技术概述 | 第15-16页 |
| 2.2 推荐算法分类 | 第16-22页 |
| 2.2.1 基于内容的推荐 | 第17-18页 |
| 2.2.2 协同过滤推荐算法 | 第18-21页 |
| 2.2.3 基于知识的推荐 | 第21页 |
| 2.2.4 混合推荐算法 | 第21-22页 |
| 2.3 基于内存的协同过滤推荐算法 | 第22-29页 |
| 2.3.1 算法描述 | 第23-24页 |
| 2.3.2 相似度计算方法 | 第24-25页 |
| 2.3.3 预测和推荐计算 | 第25-26页 |
| 2.3.4 算法评估 | 第26-29页 |
| 第3章 基于最优化邻居的协同过滤推荐算法 | 第29-45页 |
| 3.1 传统协同过滤算法稀疏性问题 | 第29-31页 |
| 3.1.1 稀疏性问题度量 | 第29-30页 |
| 3.1.2 稀疏性问题对推荐系统的影响 | 第30页 |
| 3.1.3 稀疏性问题的解决方法 | 第30-31页 |
| 3.2 信任度模型 | 第31-36页 |
| 3.2.1 信任模型的推荐 | 第31-32页 |
| 3.2.2 信任模型计算方法 | 第32-34页 |
| 3.2.3 信任模型推荐 | 第34-36页 |
| 3.3 基于最优化邻居的协同过滤推荐算法 | 第36-45页 |
| 3.3.1 相关定义 | 第36-38页 |
| 3.3.2 邻近集合的动态选取 | 第38-39页 |
| 3.3.3 构建信任集合 | 第39-40页 |
| 3.3.4 引入调和参数 | 第40-41页 |
| 3.3.5 基于最优邻居的协同过滤推荐算法 | 第41-43页 |
| 3.3.6 算法流程图 | 第43-45页 |
| 第4章 实验结果与分析 | 第45-51页 |
| 4.1 实验数据 | 第45页 |
| 4.2 评估标准 | 第45-46页 |
| 4.3 实验设计 | 第46页 |
| 4.4 实验结果及分析 | 第46-51页 |
| 第5章 总结与展望 | 第51-53页 |
| 5.1 本文工作总结 | 第51-52页 |
| 5.2 研究展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57-59页 |
| 攻读学位期间取得的研究成果 | 第59页 |
