基于复合信息的协同过滤推荐
| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-13页 |
| 1.1 研究背景及意义 | 第6-7页 |
| 1.2 国内外的研究现状 | 第7-10页 |
| 1.2.1 传统单领域推荐方法的国内外研究 | 第7-8页 |
| 1.2.2 跨领域推荐的国内外研究 | 第8-10页 |
| 1.3 本文的主要工作 | 第10-11页 |
| 1.3.1 本文算法的前提假设 | 第10页 |
| 1.3.2 本文的研究内容 | 第10-11页 |
| 1.3.3 本文算法的创新点 | 第11页 |
| 1.4 本文的结构与安排 | 第11-13页 |
| 2 推荐系统的发展 | 第13-26页 |
| 2.1 传统的单领域推荐方法 | 第13-17页 |
| 2.1.1 基于内容的推荐方法 | 第13页 |
| 2.1.2 基于协同过滤的推荐方法 | 第13-16页 |
| 2.1.3 基于关联规则推荐方法 | 第16页 |
| 2.1.4 基于知识的推荐方法 | 第16页 |
| 2.1.5 组合推荐方法 | 第16-17页 |
| 2.2 跨领域推荐方法 | 第17-25页 |
| 2.2.1 基于知识聚合的跨领域推荐 | 第18-21页 |
| 2.2.2 基于知识关联和迁移的跨领域推荐 | 第21-25页 |
| 2.3 存在的问题 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 3 基于复合信息的协同过滤推荐方法 | 第26-39页 |
| 3.1 算法背景介绍 | 第26-28页 |
| 3.2 矩阵分解相关技术 | 第28-31页 |
| 3.2.1 标准的矩阵分解算法 | 第28-29页 |
| 3.2.2 带偏置的矩阵分解算法 | 第29-30页 |
| 3.2.3 SVD++矩阵分解算法 | 第30-31页 |
| 3.3 基于复合信息的协同过滤推荐方法 | 第31-38页 |
| 3.3.1 假设基础 | 第31-32页 |
| 3.3.2 算法模型 | 第32-33页 |
| 3.3.3 模型构建 | 第33-38页 |
| 3.4 本章小结 | 第38-39页 |
| 4 实验与结果 | 第39-56页 |
| 4.1 数据集与实验语言 | 第39-42页 |
| 4.1.1 实验语言 | 第39页 |
| 4.1.2 数据集选取 | 第39页 |
| 4.1.3 数据集预处理 | 第39-41页 |
| 4.1.4 实验方法 | 第41-42页 |
| 4.2 评估指标 | 第42页 |
| 4.3 对比模型 | 第42-44页 |
| 4.4 实验结构模块 | 第44-46页 |
| 4.5 参数设置 | 第46-47页 |
| 4.6 实验结果 | 第47-55页 |
| 4.7 本章小结 | 第55-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-63页 |
