基于兴趣度的推荐系统研究
| 1 绪论 | 第1-16页 |
| ·课题研究的背景 | 第8页 |
| ·国内外研究现状及发展动态 | 第8-14页 |
| ·推荐系统的表现形式 | 第8-9页 |
| ·推荐系统的输入方式 | 第9页 |
| ·推荐系统的产生条件 | 第9-10页 |
| ·推荐系统采用的技术 | 第10-12页 |
| ·现有推荐系统分析 | 第12-14页 |
| ·论文的主要研究内容 | 第14-16页 |
| 2 兴趣度模型分析与扩展 | 第16-34页 |
| ·兴趣度模型建立的前提条件 | 第16-19页 |
| ·兴趣度引入的意义 | 第17-18页 |
| ·兴趣度相关的挖掘算法 | 第18-19页 |
| ·兴趣度模型的应用领域 | 第19页 |
| ·兴趣度挖掘模型 | 第19-27页 |
| ·兴趣度相关定义 | 第19-21页 |
| ·对定义的分析与改进 | 第21-23页 |
| ·兴趣度的模型描述 | 第23-25页 |
| ·基于兴趣度的模式生成算法 | 第25-26页 |
| ·基于兴趣度的挖掘算法分析 | 第26-27页 |
| ·M-FIM兴趣度建模 | 第27-31页 |
| ·M-FIM兴趣度建模 | 第28-29页 |
| ·兴趣度属性的量化 | 第29-31页 |
| ·兴趣度度量的权值分配 | 第31-34页 |
| ·初始化权值的分配 | 第31-32页 |
| ·相似性主观兴趣度度量 | 第32页 |
| ·兴趣度权值的主观更新 | 第32-34页 |
| 3 协同过滤的相关性分析 | 第34-41页 |
| ·协同过滤引入的意义 | 第34-35页 |
| ·协同过滤中邻居形成及相似性度量 | 第35-36页 |
| ·协同过滤算 | 第36-41页 |
| ·全局数值算法 | 第37-38页 |
| ·基于模型的算法 | 第38页 |
| ·基于PROMETHEEE的兴趣度评估模型 | 第38-41页 |
| 4 基于兴趣度的协同过滤推荐模型 | 第41-47页 |
| ·基于兴趣度的协同过滤算法的提出 | 第41-43页 |
| ·基于兴趣度的协同过滤推荐框架 | 第41-42页 |
| ·相关商品的客观兴趣度 | 第42-43页 |
| ·推荐引擎设计与实现 | 第43-47页 |
| ·推荐引擎的分层设计 | 第43-44页 |
| ·根据兴趣度进行推荐 | 第44页 |
| ·推荐引擎的算法描述 | 第44-47页 |
| 5 基于兴趣度的算法分析 | 第47-54页 |
| ·传统关联挖掘算法性能分析 | 第47-51页 |
| ·Apriori算法及相关改进算法 | 第47-49页 |
| ·频繁模式增长算法 | 第49-51页 |
| ·兴趣度投影的FP-树挖掘 | 第51-54页 |
| ·兴趣度投影的FP-树挖掘模型 | 第51-52页 |
| ·兴趣度投影的FP-树算法分析 | 第52-54页 |
| 6 总结与展望 | 第54-56页 |
| ·本文工作的总结 | 第54-55页 |
| ·研究前景的展望 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61-62页 |
| 作者简介及硕士生期间发表的学术论文 | 第62页 |
