基于时效性建模和特征融合的协同过滤推荐算法
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 推荐系统的研究现状及发展 | 第13-19页 |
| 1.2.1 推荐系统的发展历程 | 第13-15页 |
| 1.2.2 国内外研究现状 | 第15-19页 |
| 1.3 论文的研究内容 | 第19-20页 |
| 1.4 论文的组织结构 | 第20-21页 |
| 第2章 推荐系统的相关技术 | 第21-29页 |
| 2.1 推荐系统常见方法 | 第21-22页 |
| 2.2 协同过滤推荐方法 | 第22-25页 |
| 2.2.1 基于内存的协同过滤 | 第23-24页 |
| 2.2.2 基于模型的协同过滤 | 第24-25页 |
| 2.3 推荐系统的评测 | 第25-28页 |
| 2.3.1 常见的实验方法 | 第26-27页 |
| 2.3.2 常见的评测指标 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于艾宾浩斯遗忘模型的协同过滤推荐算法 | 第29-47页 |
| 3.1 传统协同过滤算法理论 | 第29-33页 |
| 3.1.1 评分预测模型 | 第29-30页 |
| 3.1.2 常用相似度计算方法 | 第30-33页 |
| 3.2 基于艾宾浩斯遗忘模型的协同过滤推荐算法 | 第33-38页 |
| 3.2.1 融合收缩因子的相似性度量方法 | 第33-34页 |
| 3.2.2 融合自然遗忘函数的相似性度量方法 | 第34-36页 |
| 3.2.3 融合收缩因子与遗忘函数综合推荐方法 | 第36-38页 |
| 3.3 实验 | 第38-46页 |
| 3.3.1 数据集 | 第38页 |
| 3.3.2 实验设计及评价指标 | 第38页 |
| 3.3.3 实验结果与分析 | 第38-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第4章 基于特征融合的协同过滤推荐算法 | 第47-55页 |
| 4.1 预测填充策略 | 第47页 |
| 4.2 基于特征融合的协同过滤推荐算法 | 第47-52页 |
| 4.2.1 基于项目属性的相似性度量方法 | 第48-49页 |
| 4.2.2 基于项目评分的相似性度量方法 | 第49页 |
| 4.2.3 融合项目属性和评分的相似性度量方法 | 第49-50页 |
| 4.2.4 算法流程 | 第50-52页 |
| 4.3 实验 | 第52-54页 |
| 4.3.1 数据集 | 第52页 |
| 4.3.2 实验设计及评价指标 | 第52页 |
| 4.3.3 实验结果与分析 | 第52-54页 |
| 4.4 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-63页 |
| 附录A 攻读学位期间参加的科研项目 | 第63-64页 |
| 致谢 | 第64页 |
