协同过滤中数据稀疏性缓解方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 研究背景以及意义 | 第13-14页 |
| 1.2 个性化推荐发展现状 | 第14-16页 |
| 1.2.1 国外研究现状 | 第14-15页 |
| 1.2.2 国内研究现状 | 第15-16页 |
| 1.3 主要研究内容 | 第16-17页 |
| 1.4 论文组织结构 | 第17-19页 |
| 第2章 推荐系统相关研究 | 第19-31页 |
| 2.1 推荐系统的几种实现方式 | 第19-23页 |
| 2.1.1 基于内容的推荐 | 第19-20页 |
| 2.1.2 协同过滤推荐 | 第20-21页 |
| 2.1.3 基于关联规则的推荐 | 第21-22页 |
| 2.1.4 混合推荐 | 第22页 |
| 2.1.5 其他推荐技术 | 第22-23页 |
| 2.2 协同过滤推荐技术 | 第23-27页 |
| 2.2.1 获取用户评分矩阵 | 第24页 |
| 2.2.2 相似度计算 | 第24-27页 |
| 2.2.3 推荐的产生 | 第27页 |
| 2.3 协同过滤推荐存在的挑战 | 第27-29页 |
| 2.3.1 推荐结果准确度问题 | 第28页 |
| 2.3.2 数据稀疏性问题 | 第28页 |
| 2.3.3 冷启动问题 | 第28页 |
| 2.3.4 可扩展性问题 | 第28-29页 |
| 2.4 推荐算法性能评估 | 第29-30页 |
| 2.4.1 平均绝对误差(MAE) | 第29页 |
| 2.4.2 覆盖率 | 第29-30页 |
| 2.4.3 召回率(Recall) | 第30页 |
| 2.4.4 均方根误差(RMSE) | 第30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 一种基于类别专家加权的填充评分矩阵方法 | 第31-38页 |
| 3.1 相关技术分析 | 第31-33页 |
| 3.1.1 固定值填充 | 第31-32页 |
| 3.1.2 预测填充 | 第32页 |
| 3.1.3 降维技术 | 第32-33页 |
| 3.2 类别专家分析 | 第33-35页 |
| 3.2.1 类别专家的提出 | 第34-35页 |
| 3.2.2 类别专家的定义 | 第35页 |
| 3.3 基于类别专家加权的数据填充算法 | 第35-37页 |
| 3.3.1 单类别项目加权计算 | 第35-36页 |
| 3.3.2 多类别项目加权计算 | 第36页 |
| 3.3.3 算法的说明和具体步骤 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 一种分步的用户协同过滤算法 | 第38-46页 |
| 4.1 问题分析 | 第39页 |
| 4.2 根据项目特征的数据填充 | 第39-41页 |
| 4.3 根据用户特征计算相似度 | 第41-44页 |
| 4.3.1 用户特征描述与建模 | 第41-42页 |
| 4.3.2 基于人口统计学的用户相似度统计 | 第42-44页 |
| 4.3.3 改进的用户相似度计算 | 第44页 |
| 4.4 推荐的形成 | 第44页 |
| 4.5 算法步骤及说明 | 第44-45页 |
| 4.6 本章小结 | 第45-46页 |
| 第5章 实验设计与结果分析 | 第46-54页 |
| 5.1 实验数据和环境 | 第46-47页 |
| 5.1.1 实验数据集简介 | 第46-47页 |
| 5.1.2 实验环境 | 第47页 |
| 5.2 实验度量标准 | 第47-48页 |
| 5.3 第三章实验结果及分析 | 第48-50页 |
| 5.4 第四章实验结果及分析 | 第50-53页 |
| 5.5 本章小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 附录A 攻读硕士期间参与的项目列表 | 第59-60页 |
| 致谢 | 第60页 |
