基于潜在向量模型与项目的协同过滤混合推荐
| 致谢 | 第1-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-14页 |
| 第1章 绪论 | 第14-19页 |
| ·课题背景 | 第14-15页 |
| ·理论背景 | 第15-17页 |
| ·个性化推荐系统概述 | 第15-16页 |
| ·推荐系统的发展应用 | 第16-17页 |
| ·个性化推荐系统的作用 | 第17-18页 |
| ·主要工作 | 第18-19页 |
| 第2章 推荐系统简介 | 第19-25页 |
| ·引言 | 第19页 |
| ·推荐系统的架构 | 第19-23页 |
| ·个性化推荐的数据来源 | 第20-21页 |
| ·推荐算法分类 | 第21-23页 |
| ·推荐的生成 | 第23页 |
| ·推荐算法注意问题 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 基于邻域的协同过滤算法 | 第25-42页 |
| ·引言 | 第25页 |
| ·协同过滤算法及应用 | 第25-28页 |
| ·基本概念 | 第25-26页 |
| ·协同过滤算法的分类 | 第26-27页 |
| ·开源框架 | 第27-28页 |
| ·基于内存的协同过滤算法 | 第28-33页 |
| ·相似度距离计算 | 第28-30页 |
| ·最近邻算法 | 第30页 |
| ·包含global effect的最近邻 | 第30-31页 |
| ·基于用户的最近邻算法 | 第31页 |
| ·基于项目的最近邻算法 | 第31-32页 |
| ·对相似度计算的改进 | 第32页 |
| ·最近邻的选择 | 第32-33页 |
| ·基于用户邻域模型的协同推荐 | 第33-35页 |
| ·算法说明 | 第35-36页 |
| ·实验 | 第36-41页 |
| ·数据来源 | 第36页 |
| ·数据分析 | 第36-38页 |
| ·评价标准 | 第38-39页 |
| ·实验分析 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 第4章 基于高斯pLSA与项目的协同过滤混合推荐 | 第42-54页 |
| ·引言 | 第42页 |
| ·潜在向量模型与混合推荐优势 | 第42-43页 |
| ·潜在概率语义分析 | 第43-46页 |
| ·相关工作 | 第46页 |
| ·基于高斯pLSA和基于项目的协同过滤的混合推荐 | 第46-51页 |
| ·高斯pLSA模型 | 第47-49页 |
| ·改进的基于项目的协同过滤 | 第49-51页 |
| ·实验结果与分析 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 第5章 基于奇异值分解模型的协同过滤 | 第54-64页 |
| ·引言 | 第54页 |
| ·奇异值分解模型概述 | 第54-56页 |
| ·模型的几何意义 | 第55-56页 |
| ·SVD的求解与去噪 | 第56页 |
| ·基于SVD的协同过滤 | 第56-60页 |
| ·正则化SVD | 第56-57页 |
| ·带偏差的基于特征分步梯度学习的正则化SVD分解 | 第57-60页 |
| ·结合Knn算法的SVD模型 | 第60页 |
| ·融合最近邻与SVD模型的动态参数混合推荐 | 第60-62页 |
| ·实验 | 第62-63页 |
| ·本章小结 | 第63-64页 |
| 第6章 总结 | 第64-66页 |
| ·工作总结 | 第64-65页 |
| ·工作展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 攻读硕士学位期间主要的研究成果 | 第69页 |
