| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究问题与研究内容 | 第12-15页 |
| 1.2.1 研究问题 | 第12-14页 |
| 1.2.2 研究内容 | 第14-15页 |
| 1.3 技术路线 | 第15-17页 |
| 1.4 本文组织结构 | 第17-18页 |
| 第2章 相关技术研究现状 | 第18-28页 |
| 2.1 Top-N推荐算法 | 第18-22页 |
| 2.1.1 基于邻域的协同过滤 | 第18-19页 |
| 2.1.2 基于模型的协同过滤 | 第19-20页 |
| 2.1.3 结合文本信息的推荐算法 | 第20-21页 |
| 2.1.4 局部模型融合推荐算法 | 第21-22页 |
| 2.2 可视交互推荐技术 | 第22-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第3章 基于用户聚类的局部模型加权融合推荐算法 | 第28-34页 |
| 3.1 基于LDA主题模型的用户特征向量计算 | 第28-31页 |
| 3.2 基于用户聚类的局部训练矩阵构建 | 第31-32页 |
| 3.3 SLIM稀疏线性模型 | 第32页 |
| 3.4 局部模型的构建与融合 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 基于随机锚点对选择的局部模型加权融合推荐算法 | 第34-40页 |
| 4.1 基于GBDT梯度提升决策树的电影特征向量计算 | 第34-37页 |
| 4.2 基于高斯核函数的用户相似度和电影相似度的计算 | 第37-38页 |
| 4.3 基于随机锚点对选择的局部训练矩阵构建 | 第38页 |
| 4.4 局部模型的构建与融合 | 第38-39页 |
| 4.5 本章小结 | 第39-40页 |
| 第5章 交互式电影可视推荐系统设计 | 第40-51页 |
| 5.1 系统基本功能模块设计 | 第40-44页 |
| 5.1.1 系统介绍模块 | 第41-42页 |
| 5.1.2 用户登录模块 | 第42页 |
| 5.1.3 用户注册模块 | 第42-43页 |
| 5.1.4 用户信息修改模块 | 第43-44页 |
| 5.2 用户画像可视化 | 第44-48页 |
| 5.2.1 标签词云 | 第44-45页 |
| 5.2.2 主题雷达图 | 第45-46页 |
| 5.2.3 主题层次气泡图 | 第46-48页 |
| 5.3 交互式推荐界面可视化 | 第48-50页 |
| 5.3.1 推荐结果展示 | 第48-49页 |
| 5.3.2 电影气泡云图 | 第49-50页 |
| 5.4 本章小结 | 第50-51页 |
| 第6章 实验与结果分析 | 第51-68页 |
| 6.1 实验数据集介绍 | 第51-53页 |
| 6.2 评价方法及评价指标 | 第53页 |
| 6.3基于用户聚类的局部模型加权融合推荐算法的实验 | 第53-56页 |
| 6.3.1 最佳主题个数和用户聚类数的确定 | 第53-54页 |
| 6.3.2 最佳融合系数的确定 | 第54-56页 |
| 6.4基于随机锚点对选择的局部模型加权融合推荐算法的实验 | 第56-58页 |
| 6.4.1 模拟数据稀疏状态下的推荐环境 | 第56-57页 |
| 6.4.2 单一模型和融合模型在不同推荐环境下推荐效果的比较 | 第57-58页 |
| 6.5 和其他流行推荐算法的推荐效果比较 | 第58-60页 |
| 6.6 交互式电影可视推荐系统案例分析 | 第60-67页 |
| 6.6.1 用户画像案例分析 | 第60-63页 |
| 6.6.2 交互式推荐案例分析 | 第63-67页 |
| 6.7 本章小结 | 第67-68页 |
| 第7章 总结与展望 | 第68-70页 |
| 7.1 论文总结 | 第68-69页 |
| 7.2 未来展望 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 致谢 | 第75-76页 |
| 攻读学位期间参加的科研项目和成果 | 第76页 |
