摘要 | 第5-6页 |
Abstract | 第6-7页 |
第1章 绪论 | 第12-19页 |
1.1 研究背景及意义 | 第12-13页 |
1.2 国内外研究现状 | 第13-17页 |
1.2.1 个性化推荐国内外研究现状 | 第13-15页 |
1.2.2 群组推荐国内外研究现状 | 第15-17页 |
1.3 主要研究内容 | 第17-18页 |
1.4 论文组织结构 | 第18-19页 |
第2章 相关技术综述 | 第19-32页 |
2.1 个性化推荐技术 | 第19-27页 |
2.1.1 个性化推荐系统概述 | 第19-20页 |
2.1.2 基于协同过滤推荐 | 第20-24页 |
2.1.3 基于内容的推荐算法 | 第24-26页 |
2.1.4 混合推荐算法 | 第26-27页 |
2.2 群组推荐技术 | 第27-28页 |
2.2.1 合并个人推荐列表 | 第27-28页 |
2.2.2 合并个人预测评分 | 第28页 |
2.2.3 构建群组偏好模型 | 第28页 |
2.3 主要聚类技术 | 第28-31页 |
2.3.1 基于划分的聚类 | 第29页 |
2.3.2 基于层次的聚类 | 第29-30页 |
2.3.3 基于密度的聚类 | 第30-31页 |
2.4 本章小结 | 第31-32页 |
第3章 基于聚类的个体用户的协同过滤推荐 | 第32-53页 |
3.1 用户偏好的获取及项目特征矩阵的建立 | 第32-39页 |
3.1.1 用户偏好及电影项目特征介绍 | 第32-33页 |
3.1.2 时间因素对用户评分的影响 | 第33-36页 |
3.1.3 用户对项目特征属性偏好权重的表示 | 第36-37页 |
3.1.4 改进的TF-IDF构造用户特征偏好矩阵 | 第37-39页 |
3.2 改进的K-Means聚类算法描述 | 第39-43页 |
3.2.1 K-Means算法 | 第40-41页 |
3.2.2 改进K-Means | 第41-43页 |
3.3 综合相似度计算 | 第43-44页 |
3.4 预测评分和TOP-N推荐 | 第44-45页 |
3.5 算法设计流程 | 第45-46页 |
3.6 实验设计与分析 | 第46-52页 |
3.6.1 实验环境和数据集来源 | 第46-47页 |
3.6.2 数据预处理 | 第47-48页 |
3.6.3 测评指标 | 第48页 |
3.6.4 实验结果分析 | 第48-52页 |
3.7 本章小结 | 第52-53页 |
第4章 群组用户的协同过滤推荐 | 第53-65页 |
4.1 算法整体框架 | 第53页 |
4.2 构建群组项目特征偏好矩阵 | 第53-56页 |
4.3 构建群组评分矩阵 | 第56-58页 |
4.4 综合相似度计算 | 第58-59页 |
4.5 算法设计流程 | 第59-60页 |
4.6 实验设计与分析 | 第60-64页 |
4.6.1 实验数据预处理 | 第60-61页 |
4.6.2 测评指标 | 第61页 |
4.6.3 实验结果 | 第61-64页 |
4.7 本章小结 | 第64-65页 |
结论 | 第65-67页 |
参考文献 | 第67-71页 |
致谢 | 第71-72页 |
附录A 攻读学位期间完成的主要成果 | 第72页 |