基于用户评论信息的推荐算法研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 选题背景及研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 推荐系统研究现状 | 第11-13页 |
| 1.2.2 评论挖掘技术研究现状 | 第13-15页 |
| 1.2.3 基于评论分析的推荐方法研究现状 | 第15-16页 |
| 1.3 研究内容 | 第16-17页 |
| 1.4 组织结构 | 第17-18页 |
| 第2章 用户评论文档属性特征提取方法的改进 | 第18-33页 |
| 2.1 基于词向量聚类的文档特征提取 | 第19-26页 |
| 2.1.1 词向量技术及word2vec工具 | 第19-23页 |
| 2.1.2 K-means聚类算法 | 第23-24页 |
| 2.1.3 电影评论特征词提取算法 | 第24-26页 |
| 2.2 实验结果与分析 | 第26-32页 |
| 2.2.1 数据集获取及预处理 | 第26-27页 |
| 2.2.2 词向量训练 | 第27页 |
| 2.2.3 提取评论文本特征词实验 | 第27-29页 |
| 2.2.4 实验结果 | 第29-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第3章 基于在线评论的用户兴趣建模 | 第33-47页 |
| 3.1 基于电影评论构建用户兴趣模型 | 第34-40页 |
| 3.1.1 电影领域属性词集构建方法的改进 | 第35-37页 |
| 3.1.2 用户兴趣表示方法的改进 | 第37-40页 |
| 3.2 实验结果与分析 | 第40-45页 |
| 3.2.1 电影属性词聚类抽取实验 | 第40-42页 |
| 3.2.2 用户兴趣表示实验 | 第42-45页 |
| 3.3 本章小结 | 第45-47页 |
| 第4章 融合用户评论信息和评分矩阵的推荐算法研究 | 第47-74页 |
| 4.1 基于用户评论的偏好相似度 | 第48-54页 |
| 4.1.1 相似度度量方法 | 第48-49页 |
| 4.1.2 用户偏好相似性度量 | 第49-52页 |
| 4.1.3 用户偏好相似网络构建 | 第52-54页 |
| 4.2 结合用户偏好相似度的矩阵分解模型 | 第54-65页 |
| 4.2.1 奇异值分解 | 第55-56页 |
| 4.2.2 SVD分解在推荐中的应用 | 第56-57页 |
| 4.2.3 SVD++模型介绍及改进 | 第57-60页 |
| 4.2.4 改进的SVD++模型学习 | 第60-65页 |
| 4.3 实验对比与分析 | 第65-72页 |
| 4.3.1 实验数据 | 第65-66页 |
| 4.3.2 实验设计与算法评测 | 第66-67页 |
| 4.3.3 实验算法归纳 | 第67-68页 |
| 4.3.4 实验结果比较与分析 | 第68-72页 |
| 4.4 本章小结 | 第72-74页 |
| 第5章 电影推荐原型系统 | 第74-80页 |
| 5.1 推荐引擎架构设计 | 第74-75页 |
| 5.2 系统功能模块设计 | 第75-76页 |
| 5.3 系统实现 | 第76-79页 |
| 5.3.1 系统开发环境及主要组件 | 第76-77页 |
| 5.3.2 推荐模块展示 | 第77-78页 |
| 5.3.3 用户偏好相似网络展示 | 第78-79页 |
| 5.4 本章小结 | 第79-80页 |
| 第6章 总结与展望 | 第80-82页 |
| 6.1 研究总结 | 第80-81页 |
| 6.2 工作展望 | 第81-82页 |
| 致谢 | 第82-83页 |
| 参考文献 | 第83-87页 |
| 攻读硕士学位期间的研究成果 | 第87页 |
