推荐系统关键技术研究
| 摘要 | 第1-9页 |
| ABSTRACT | 第9-17页 |
| 第1章 绪论 | 第17-34页 |
| ·研究背景 | 第17-20页 |
| ·推荐系统研究的历史和现状 | 第20-27页 |
| ·推荐系统面临的问题 | 第27-30页 |
| ·论文主要研究内容 | 第30-32页 |
| ·论文组织结构 | 第32-34页 |
| 第2章 信息过载及其传统解决方法 | 第34-48页 |
| ·信息过载问题 | 第34-37页 |
| ·信息检索与信息过滤 | 第37-44页 |
| ·信息检索 | 第38-42页 |
| ·特征选择 | 第39-40页 |
| ·信息内容描述模型 | 第40-42页 |
| ·信息过滤 | 第42-44页 |
| ·信息服务的个性化 | 第44-48页 |
| 第3章 推荐系统及相关技术综述 | 第48-76页 |
| ·个性化推荐系统 | 第48-51页 |
| ·用户建模 | 第51-58页 |
| ·用户识别 | 第52-53页 |
| ·用户信息收集 | 第53-56页 |
| ·用户模型 | 第56-58页 |
| ·推荐算法及其分类 | 第58-70页 |
| ·基于内容过滤的推荐 | 第59-60页 |
| ·协作过滤推荐 | 第60-68页 |
| ·基于内存的协作推荐 | 第61-66页 |
| ·基于模型的协作推荐 | 第66-67页 |
| ·协作推荐中存在的问题 | 第67-68页 |
| ·混合推荐 | 第68-70页 |
| ·推荐算法的评价 | 第70-76页 |
| ·推荐算法的实验数据集 | 第71-72页 |
| ·推荐算法的准确性评价 | 第72-76页 |
| ·预测准确性 | 第73-74页 |
| ·分类准确性 | 第74-76页 |
| 第4章 基于加权相似度的协作推荐算法 | 第76-95页 |
| ·稀疏性问题及其主要成因 | 第76-77页 |
| ·稀疏性问题影响协作推荐的途径 | 第77-79页 |
| ·稀疏性问题的解决办法 | 第79-83页 |
| ·通过评分矩阵处理的稀疏性问题解决办法 | 第79-81页 |
| ·通过推荐过程修正的稀疏性问题解决办法 | 第81-83页 |
| ·稀疏性问题对传统相似度计算的影响 | 第83-85页 |
| ·基于加权相似度的协作推荐算法 | 第85-89页 |
| ·算法评价与结果分析 | 第89-93页 |
| ·本章小结 | 第93-95页 |
| 第5章 基于平衡评分预测机制的协作推荐算法 | 第95-109页 |
| ·稀疏性问题对评分预测的影响 | 第95-97页 |
| ·全局评分在协作推荐中的应用 | 第97-98页 |
| ·基于平衡评分预测机制的协作推荐算法 | 第98-103页 |
| ·算法评价与结果分析 | 第103-107页 |
| ·本章小结 | 第107-109页 |
| 第6章 基于评分填充的混合推荐算法 | 第109-125页 |
| ·评分矩阵稀疏性对协作推荐的影响 | 第109-110页 |
| ·混合推荐在解决稀疏性问题中的应用 | 第110-112页 |
| ·基于评分填充的混合推荐算法 | 第112-119页 |
| ·算法评价与结果分析 | 第119-123页 |
| ·本章小结 | 第123-125页 |
| 第7章 利用评分时间特性的协作推荐算法 | 第125-143页 |
| ·推荐系统的概念漂移问题 | 第125-128页 |
| ·概念漂移问题的现有解决办法 | 第128-131页 |
| ·利用评分时间特性的协作推荐算法 | 第131-136页 |
| ·算法评价与结果分析 | 第136-141页 |
| ·本章小结 | 第141-143页 |
| 第8章 总结与展望 | 第143-148页 |
| ·研究总结 | 第143-144页 |
| ·主要创新点 | 第144-147页 |
| ·未来研究工作展望 | 第147-148页 |
| 附录 | 第148-151页 |
| 附录Ⅰ 作者攻读博士学位期间发表的学术论文 | 第148-149页 |
| 附录Ⅱ 作者攻读博士学位期间参加的科研项目 | 第149页 |
| 附录Ⅲ 作者攻读博士学位期间专利申请情况 | 第149-150页 |
| 附录Ⅳ 作者攻读博士学位期间所获软件著作权登记 | 第150-151页 |
| 参考文献 | 第151-165页 |
| 后记 | 第165页 |
