融合类别信息的协同过滤推荐方法研究
摘要 | 第4-5页 |
Abstract | 第5-6页 |
第1章 绪论 | 第9-15页 |
1.1 研究背景 | 第9-10页 |
1.2 协同过滤推荐技术的研究现状 | 第10-11页 |
1.3 本文研究内容 | 第11-12页 |
1.4 本文研究的难点 | 第12页 |
1.5 本文的组织结构 | 第12-15页 |
第2章 协同过滤推荐技术 | 第15-27页 |
2.1 个性化推荐系统 | 第15-17页 |
2.1.1 个性化推荐技术概述 | 第15-16页 |
2.1.2 个性化推荐技术比较 | 第16-17页 |
2.2 协同过滤推荐算法 | 第17-23页 |
2.2.1 协同过滤推荐算法概述 | 第17页 |
2.2.2 基于用户的协同过滤推荐算法 | 第17-21页 |
2.2.3 基于项目的协同过滤推荐算法 | 第21-23页 |
2.3 推荐系统面临的问题 | 第23-25页 |
2.3.1 推荐系统面临的问题概述 | 第23页 |
2.3.2 数据稀疏性问题 | 第23-24页 |
2.3.3 冷启动问题 | 第24页 |
2.3.4 实时性、可扩展性问题 | 第24-25页 |
2.4 评价标准 | 第25页 |
2.5 本章小结 | 第25-27页 |
第3章 融合类别信息和兴趣度的用户相似性度量 | 第27-35页 |
3.1 推荐系统中的用户兴趣度 | 第27-28页 |
3.2 融合兴趣度的用户相似性度量方式 | 第28-33页 |
3.2.1 用户兴趣度度量方式 | 第28-30页 |
3.2.2 流行偏置问题 | 第30-31页 |
3.2.3 融合兴趣度的用户相识性度量方式 | 第31-33页 |
3.3 本章小结 | 第33-35页 |
第4章 基于类别信息的评分矩阵填充方式 | 第35-41页 |
4.1 基于类别信息的评分矩阵填充 | 第35-37页 |
4.1.1 传统的评分矩阵填充方式 | 第35页 |
4.1.2 基于类别信息的评分矩阵填充方式 | 第35-37页 |
4.2 融合类别信息的协同过滤推荐方法 | 第37-39页 |
4.2.1 推荐过程 | 第37-38页 |
4.2.2 时间复杂度分析 | 第38-39页 |
4.3 本章小结 | 第39-41页 |
第5章 实验设计与结果分析 | 第41-47页 |
5.1 实验数据集 | 第41页 |
5.2 度量标准 | 第41-42页 |
5.2.1 试验目的 | 第41页 |
5.2.2 评价标准 | 第41-42页 |
5.3 实验结果及分析 | 第42-46页 |
5.4 本章小结 | 第46-47页 |
结论 | 第47-49页 |
参考文献 | 第49-53页 |
攻读硕士学位期间发表的学术论文 | 第53-55页 |
致谢 | 第55页 |