协同过滤推荐算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 课题研究背景 | 第12-13页 |
| 1.2 课题研究意义 | 第13-14页 |
| 1.3 推荐系统研究历程及现状 | 第14-16页 |
| 1.4 本文主要内容和组织结构 | 第16-18页 |
| 1.4.1 主要内容 | 第16-17页 |
| 1.4.2 组织结构 | 第17-18页 |
| 第二章 协同过滤推荐算法综述 | 第18-32页 |
| 2.1 引言 | 第18-19页 |
| 2.2 算法介绍 | 第19-26页 |
| 2.2.1 K近邻算法 | 第19-21页 |
| 2.2.2 Slope One算法 | 第21页 |
| 2.2.3 矩阵分解算法 | 第21-25页 |
| 2.2.4 社会化推荐算法 | 第25-26页 |
| 2.3 评估指标 | 第26-29页 |
| 2.3.1 预测准确性指标 | 第26-27页 |
| 2.3.2 分类准确性指标 | 第27页 |
| 2.3.3 排序准确性指标 | 第27-28页 |
| 2.3.4 覆盖率指标 | 第28页 |
| 2.3.5 多样性和新颖性指标 | 第28-29页 |
| 2.4 面临挑战 | 第29-30页 |
| 2.4.1 数据稀疏性和冷启动问题 | 第29页 |
| 2.4.2 可扩展性问题 | 第29页 |
| 2.4.3 准确性与多样性 | 第29-30页 |
| 2.4.4 个人隐私问题 | 第30页 |
| 2.4.5 鲁棒性问题 | 第30页 |
| 2.5 研究热点 | 第30-31页 |
| 2.5.1 跨运营商之间的数据融合推荐 | 第30页 |
| 2.5.2 基于社会关系网络的推荐 | 第30-31页 |
| 2.5.3 基于时间和空间特征的推荐 | 第31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 基于局部结构信息的随机梯度下降算法 | 第32-40页 |
| 3.1 引言 | 第32页 |
| 3.2 随机梯度下降法 | 第32-33页 |
| 3.3 基于局部结构的改进算法 | 第33-35页 |
| 3.4 实验分析 | 第35-38页 |
| 3.5 本章小结 | 第38-40页 |
| 第四章 基于标签迁移学习的矩阵分解推荐算法 | 第40-46页 |
| 4.1 引言 | 第40页 |
| 4.2 迁移学习 | 第40-41页 |
| 4.3 TT-SVD算法描述 | 第41-43页 |
| 4.4 实验分析 | 第43-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 基于Logistic函数的社会化推荐算法 | 第46-64页 |
| 5.1 引言 | 第46页 |
| 5.2 Logistic函数 | 第46-47页 |
| 5.3 Logistic PMF | 第47-50页 |
| 5.3.1 L-PMF模型介绍 | 第47-48页 |
| 5.3.2 复杂度分析 | 第48页 |
| 5.3.3 实验分析 | 第48-50页 |
| 5.4 Logistic Social PMF | 第50-56页 |
| 5.4.1 LS-PMF模型介绍 | 第50-52页 |
| 5.4.2 信任度计算 | 第52-53页 |
| 5.4.3 复杂度分析 | 第53-54页 |
| 5.4.4 实验分析 | 第54-56页 |
| 5.5 Logistic BPMF | 第56-61页 |
| 5.5.1 L-BPMF模型介绍 | 第56-57页 |
| 5.5.2 贝叶斯推断与吉布斯抽样 | 第57-59页 |
| 5.5.3 复杂度分析 | 第59页 |
| 5.5.4 实验分析 | 第59-61页 |
| 5.6 Logistic Social BPMF | 第61-63页 |
| 5.6.1 LS-BPMF模型介绍 | 第61-62页 |
| 5.6.2 实验分析 | 第62-63页 |
| 5.7 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 全文总结 | 第64页 |
| 6.2 本文的主要创新点 | 第64-65页 |
| 6.3 下一步研究工作展望 | 第65-66页 |
| 致谢 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 作者简历 攻读硕士学位期间完成的主要工作 | 第74页 |
