基于三部图和时间效应的推荐算法研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第7-11页 |
| 1.1 研究背景与意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.3 本文工作创新 | 第9页 |
| 1.4 组织结构 | 第9-11页 |
| 第2章 相关理论及技术 | 第11-19页 |
| 2.1 推荐系统简介及主流推荐算法 | 第11-15页 |
| 2.1.1 基于邻域的推荐 | 第11-12页 |
| 2.1.2 基于内容的推荐 | 第12-13页 |
| 2.1.3 基于上下文的推荐 | 第13页 |
| 2.1.4 多模型融合推荐 | 第13-15页 |
| 2.2 评测指标 | 第15-18页 |
| 2.2.1 评分预测 | 第15-16页 |
| 2.2.2 TOP N推荐 | 第16-18页 |
| 2.3 本章小结 | 第18-19页 |
| 第3章 基于三部图的协同过滤推荐算法 | 第19-25页 |
| 3.1 三部图模型 | 第19-20页 |
| 3.2 算法描述 | 第20-24页 |
| 3.2.1 基于用户的情形 | 第20-21页 |
| 3.2.2 基于物品的情形 | 第21-23页 |
| 3.2.3 整合相似度 | 第23页 |
| 3.2.4 运行实例 | 第23-24页 |
| 3.3 本章小结 | 第24-25页 |
| 第4章 基于三部图的推荐算法比较研究 | 第25-40页 |
| 4.1 USER-ITEM算法 | 第25页 |
| 4.2 ITEM TAG-USER-ITEM算法 | 第25-26页 |
| 4.3 USER TAG-USER-ITEM算法 | 第26-27页 |
| 4.4 ITEM TAG-ITEM-USER算法 | 第27-28页 |
| 4.5 USER TAG-ITEM-USER算法 | 第28-29页 |
| 4.6 ITEM TAG-USER算法 | 第29页 |
| 4.7 USER TAG-USER算法 | 第29-30页 |
| 4.8 ITEM TAG-ITEM算法 | 第30页 |
| 4.9 USER TAG-ITEM算法 | 第30页 |
| 4.10 算法时间复杂度分析 | 第30-31页 |
| 4.11 实验结果 | 第31-38页 |
| 4.11.1 数据集 | 第31-32页 |
| 4.11.2 评分预测 | 第32-36页 |
| 4.11.3 TOP N推荐 | 第36-38页 |
| 4.12 本章小结 | 第38-40页 |
| 第5章 利用时间上下文信息推荐 | 第40-52页 |
| 5.1 推荐系统时间效应 | 第40页 |
| 5.2 基于时间效应的推荐算法 | 第40-45页 |
| 5.2.1 时下热门算法 | 第41页 |
| 5.2.2 TITEMCF算法 | 第41-42页 |
| 5.2.3 TUSERCF算法 | 第42页 |
| 5.2.4 基于时间段图的算法 | 第42-45页 |
| 5.3 类型概率推荐算法 | 第45-47页 |
| 5.3.1 算法描述 | 第45-46页 |
| 5.3.2 运行实例 | 第46-47页 |
| 5.4 实验结果 | 第47-50页 |
| 5.4.1 命中率对比试验 | 第48-50页 |
| 5.4.2 窗口大小的影响 | 第50页 |
| 5.5 本章小结 | 第50-52页 |
| 第6章 总结与展望 | 第52-54页 |
| 6.1 本文工作总结 | 第52页 |
| 6.2 未来工作展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第59页 |
