多元异构环境下个性化推荐方法研究
| 摘要 | 第7-8页 |
| abstract | 第8-9页 |
| 1 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 推荐系统研究现状 | 第11-15页 |
| 1.2.1 个性化推荐系统现状 | 第11-13页 |
| 1.2.2 推荐系统面临的挑战 | 第13-14页 |
| 1.2.3 多元异构环境下推荐方法研究现状 | 第14-15页 |
| 1.3 研究内容与方法 | 第15-16页 |
| 1.3.1 研究内容 | 第15-16页 |
| 1.3.2 研究方法 | 第16页 |
| 1.4 组织结构及创新 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 2 推荐系统相关理论和技术 | 第18-29页 |
| 2.1 推荐系统概述 | 第18页 |
| 2.2 相关推荐算法 | 第18-25页 |
| 2.2.1 协同过滤推荐算法 | 第19-21页 |
| 2.2.2 基于内容的推荐算法 | 第21-22页 |
| 2.2.3 基于网络结构的推荐算法 | 第22-24页 |
| 2.2.4 混合推荐算法 | 第24-25页 |
| 2.3 社会网络理论与社区划分 | 第25-26页 |
| 2.3.1 社会网络理论 | 第25-26页 |
| 2.3.2 社区划分 | 第26页 |
| 2.4 推荐算法相关评价指标 | 第26-28页 |
| 2.4.1 准确度评测指标 | 第26-27页 |
| 2.4.2 覆盖率 | 第27页 |
| 2.4.3 多样性 | 第27页 |
| 2.4.4 新颖性 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 3 基于贝叶斯网络的协同过滤推荐算法 | 第29-37页 |
| 3.1 引言 | 第29页 |
| 3.2 基于贝叶斯网络的协同过滤算法框架 | 第29-30页 |
| 3.3 基于模块度的社区划分 | 第30-31页 |
| 3.3.1 基于模块度的社区划分的基本思想 | 第30页 |
| 3.3.2 基于模块度的社区划分算法的评价标准 | 第30-31页 |
| 3.3.3 基于模块度的社区划分算法的具体步骤 | 第31页 |
| 3.4 基于协同过滤提取用户感兴趣的标签 | 第31页 |
| 3.5 基于贝叶斯网络计算用户对物品的兴趣度 | 第31-32页 |
| 3.6 实验设计与评价 | 第32-36页 |
| 3.6.1 数据集 | 第32-33页 |
| 3.6.2 实验内容 | 第33-36页 |
| 3.7 本章小结 | 第36-37页 |
| 4 基于标签权重的三部图物质扩散算法 | 第37-46页 |
| 4.1 引言 | 第37-38页 |
| 4.2 用户标签时间加权函数 | 第38-39页 |
| 4.3 基于标签权重三部图物质扩散算法过程 | 第39页 |
| 4.4 实验设计与评价 | 第39-45页 |
| 4.4.1 数据集和数据处理 | 第39-40页 |
| 4.4.2 实验内容 | 第40页 |
| 4.4.3 实验结果与分析 | 第40-45页 |
| 4.5 本章小结 | 第45-46页 |
| 5 总结与展望 | 第46-48页 |
| 5.1 总结 | 第46-47页 |
| 5.2 展望 | 第47-48页 |
| 参考文献 | 第48-53页 |
| 攻读硕士期间的科研成果 | 第53-54页 |
| 致谢 | 第54-55页 |
