基于流行度预测的个性化媒体推荐算法研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究现状 | 第12-13页 |
| 1.3 本文介绍 | 第13-15页 |
| 1.3.1 本文研究内容 | 第13-14页 |
| 1.3.2 本文组织结构 | 第14-15页 |
| 1.4 本章小结 | 第15-17页 |
| 2 上下文感知推荐相关技术 | 第17-27页 |
| 2.1 上下文感知 | 第17-20页 |
| 2.1.1 上下文感知的定义 | 第17-18页 |
| 2.1.2 上下文感知推荐技术的应用 | 第18-20页 |
| 2.2 个性化推荐技术 | 第20-24页 |
| 2.2.1 基于内容的推荐技术 | 第20-21页 |
| 2.2.2 协同过滤推荐技术 | 第21-22页 |
| 2.2.3 基于规则的推荐技术 | 第22-23页 |
| 2.2.4 混合推荐技术 | 第23-24页 |
| 2.3 上下文感知推荐技术面临的挑战 | 第24-25页 |
| 2.4 本章小结 | 第25-27页 |
| 3 多元线性回归技术 | 第27-35页 |
| 3.1 一元线性回归 | 第27-30页 |
| 3.2 多元线性回归 | 第30-33页 |
| 3.3 本章小结 | 第33-35页 |
| 4 基于流行度预测的个性化媒体推荐算法研究 | 第35-51页 |
| 4.1 研究环境 | 第35-40页 |
| 4.2 流行度的多元线性回归预测 | 第40-43页 |
| 4.2.1 流行度预测的定义 | 第40页 |
| 4.2.2 流行度预测值的计算 | 第40-43页 |
| 4.3 贝叶斯决策技术 | 第43-48页 |
| 4.3.1 贝叶斯决策的定义 | 第43-46页 |
| 4.3.2 贝叶斯决策技术的应用 | 第46-48页 |
| 4.4 基于流行度预测的个性化媒体推荐算法 | 第48-49页 |
| 4.5 本章小结 | 第49-51页 |
| 5 仿真环境与性能分析 | 第51-57页 |
| 5.1 仿真工具介绍 | 第51-52页 |
| 5.1.1 概述 | 第51-52页 |
| 5.1.2 仿真软件介绍 | 第52页 |
| 5.2 仿真设置 | 第52-53页 |
| 5.3 性能分析 | 第53-55页 |
| 5.3.1 推荐成功率 | 第53页 |
| 5.3.2 用户满意度 | 第53-55页 |
| 5.4 本章小结 | 第55-57页 |
| 6 总结与展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第64-65页 |
