摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
符号对照表 | 第10-11页 |
缩略语对照表 | 第11-15页 |
第一章 绪论 | 第15-21页 |
1.1 个性化推荐系统简介 | 第15-17页 |
1.1.1 个性化推荐的主要算法 | 第15-16页 |
1.1.2 个性化推荐系统研究现状 | 第16-17页 |
1.2 推荐系统面临的挑战 | 第17-18页 |
1.3 两种推荐系统的准确度度量方法 | 第18-19页 |
1.4 本文的主要工作及论文的组织结构 | 第19-21页 |
第二章 基于协同过滤的推荐算法介绍 | 第21-29页 |
2.1 协同过滤简介 | 第21-23页 |
2.1.1 评分表示 | 第21页 |
2.1.2 寻找最近邻 | 第21-23页 |
2.1.3 预测评分 | 第23页 |
2.2 基于相似性的协同过滤算法 | 第23-25页 |
2.2.1 基于用户相似性的协同过滤算法 | 第24页 |
2.2.2 基于项目相似性的协同过滤算法 | 第24-25页 |
2.3 基于模型的协同过滤算法 | 第25-28页 |
2.3.1 基于LFM的协同过滤算法 | 第25-27页 |
2.3.2 基于SVD的协同过滤算法 | 第27-28页 |
2.4 本章小结 | 第28-29页 |
第三章 基于最近邻及信任感知模型的逐对排序概率矩阵分解算法 | 第29-41页 |
3.1 逐对排序概率矩阵分解模型 | 第29-30页 |
3.1.1 PPMF模型简介 | 第29-30页 |
3.1.2 逐对排序概率模型结构 | 第30页 |
3.2 一种新的基于信任模型的逐对排序概率矩阵分解模型 | 第30-32页 |
3.2.1 T-PPMF模型的基本定义 | 第31页 |
3.2.2 T-PPMF模型的构建 | 第31-32页 |
3.3 基于最近邻改进的NT-PPMF算法 | 第32-35页 |
3.3.1 NT-PPMF模型 | 第32-33页 |
3.3.2 NT-PPMF模型参数的学习 | 第33-35页 |
3.4 实验及分析 | 第35-39页 |
3.4.1 数据集说明 | 第35-36页 |
3.4.2 实验设置说明 | 第36-37页 |
3.4.3 实验结果及分析说明 | 第37-39页 |
3.5 本章小结 | 第39-41页 |
第四章 推荐系统内攻击块算法研究分析 | 第41-53页 |
4.1 托攻击简介 | 第41-43页 |
4.1.1 托攻击模型 | 第41-43页 |
4.1.2 托攻击组简介 | 第43页 |
4.2 一个新的推荐系统攻击块检测算法模型 | 第43-47页 |
4.2.1 攻击块定义 | 第43-45页 |
4.2.2 攻击块检测算法模型 | 第45-47页 |
4.3 推荐系统疑似攻击块剪枝算法模型 | 第47-49页 |
4.3.1 频繁项集挖掘算法简介 | 第47-48页 |
4.3.2 推荐系统中疑似攻击块剪枝算法模型 | 第48-49页 |
4.4 实验及分析 | 第49-52页 |
4.4.1 数据集说明 | 第50页 |
4.4.2 实验设置说明 | 第50-51页 |
4.4.3 实验结果及分析 | 第51-52页 |
4.5 本章小结 | 第52-53页 |
第五章 基于三部图扩散算法的音乐群组推荐算法 | 第53-63页 |
5.1 音乐推荐系统 | 第53-54页 |
5.1.1 个人音乐推荐系统 | 第53-54页 |
5.1.2 群组音乐推荐系统 | 第54页 |
5.2 基于三部图的推荐系统简介 | 第54-56页 |
5.2.1 三部图模型简介 | 第54-55页 |
5.2.2 三部图模型的构建 | 第55-56页 |
5.3 一个新的基于三部图扩散算法的音乐群组推荐系统 | 第56-59页 |
5.3.1 初始化目标群组兴趣评分 | 第56-57页 |
5.3.2 三部图扩散模型的构建 | 第57-59页 |
5.4 实验及分析 | 第59-62页 |
5.4.1 数据集说明 | 第59页 |
5.4.2 数据设置说明 | 第59-61页 |
5.4.3 实验结果及分析说明 | 第61-62页 |
5.5 本章小结 | 第62-63页 |
第六章 总结与展望 | 第63-67页 |
6.1 工作总结 | 第63-64页 |
6.2 进一步研究方向 | 第64-67页 |
参考文献 | 第67-71页 |
致谢 | 第71-73页 |
作者简介 | 第73-74页 |