高质量推荐理由自动挖掘的研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及其意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 本文研究内容 | 第14页 |
| 1.4 本文组织结构 | 第14-16页 |
| 第2章 高质量推荐理由自动挖掘的相关技术 | 第16-22页 |
| 2.1 推荐系统的概述 | 第16页 |
| 2.2 常用的推荐算法 | 第16-20页 |
| 2.2.1 协同过滤的推荐算法研究 | 第16-17页 |
| 2.2.2 内容过滤推荐算法的研究 | 第17-18页 |
| 2.2.3 关联规则技术的研究 | 第18-19页 |
| 2.2.4 神经网络的推荐算法研究 | 第19页 |
| 2.2.5 组合推荐算法的研究 | 第19-20页 |
| 2.3 高质量推荐理由的评价标准方法研究概述 | 第20-21页 |
| 2.3.1 产品信息对推荐准确度的影响 | 第20页 |
| 2.3.2 摒除重复属性获取高质量推荐结果 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 电影特定模型应用及高质量评价系统 | 第22-32页 |
| 3.1 PageRank算法在评价指标中的应用 | 第22-23页 |
| 3.2 电影属性信息数据的自动挖掘 | 第23-26页 |
| 3.2.1 二值矩阵的简述 | 第23-24页 |
| 3.2.2 最邻近分类简述 | 第24-25页 |
| 3.2.3 二值矩阵高质量推荐预测 | 第25-26页 |
| 3.3 数据挖掘技术推荐算法的研究 | 第26-29页 |
| 3.3.1 组合推荐算法解决产品推荐问题 | 第27-28页 |
| 3.3.2 分类规则在推荐系统中的应用 | 第28-29页 |
| 3.4 本章小结 | 第29-32页 |
| 第4章 用户兴趣模型的建立及理论研究 | 第32-42页 |
| 4.1 特定人群的基本概述 | 第32页 |
| 4.2 用户兴趣模型的建立 | 第32-38页 |
| 4.2.1 用户兴趣数据信息的采集功能 | 第34-35页 |
| 4.2.2 用户兴趣模型的信息匹配及其构建功能 | 第35-36页 |
| 4.2.3 用户兴趣模型更新功能 | 第36-38页 |
| 4.3 高质量推荐模型的建立 | 第38-39页 |
| 4.4 数据自动化挖掘的实现 | 第39-40页 |
| 4.5 本章小结 | 第40-42页 |
| 第5章 实验结果及分析 | 第42-49页 |
| 5.1 实验的主要内容 | 第42页 |
| 5.2 实验环境及评价标准 | 第42-43页 |
| 5.3 实验结果与分析 | 第43-47页 |
| 5.3.1 属性影响因子的影响 | 第43-45页 |
| 5.3.2 评估计算的有效性 | 第45-47页 |
| 5.4 本章小结 | 第47-49页 |
| 结论 | 第49-52页 |
| 参考文献 | 第52-58页 |
| 致谢 | 第58页 |
