| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外推荐算法研究及发展现状 | 第13-15页 |
| 1.3 课题的研究内容及创新点 | 第15-16页 |
| 1.4 本文的组织结构 | 第16-18页 |
| 第2章 推荐算法 | 第18-29页 |
| 2.1 前言 | 第18页 |
| 2.2 主要的推荐算法研究 | 第18-23页 |
| 2.2.1 基于内容的推荐算法 | 第18-20页 |
| 2.2.2 基于知识的推荐算法 | 第20页 |
| 2.2.3 协同过滤算法 | 第20-22页 |
| 2.2.4 混合推荐算法 | 第22-23页 |
| 2.3 基于模型的推荐算法 | 第23-27页 |
| 2.3.1 基于回归模型的推荐 | 第24-25页 |
| 2.3.2 基于聚类模型的推荐 | 第25-27页 |
| 2.3.3 基于分类模型的推荐 | 第27页 |
| 2.4 推荐算法的评价指标 | 第27-29页 |
| 第3章 随机森林算法 | 第29-41页 |
| 3.1 前言 | 第29页 |
| 3.2 决策树算法 | 第29-31页 |
| 3.3 抽样方法 | 第31-33页 |
| 3.3.1 Bootstrap aggregating | 第31页 |
| 3.3.2 Adaptive boosting | 第31-33页 |
| 3.4 随机森林算法研究现状 | 第33-37页 |
| 3.4.1 随机森林 | 第33-34页 |
| 3.4.2 极端随机森林 | 第34页 |
| 3.4.3 概率校正随机森林 | 第34-35页 |
| 3.4.4 梯度提升决策树 | 第35-36页 |
| 3.4.5 旋转森林 | 第36页 |
| 3.4.6 其他基于随机森林算法的改进算法 | 第36-37页 |
| 3.5 算法比较 | 第37-38页 |
| 3.6 随机森林算法应用 | 第38-40页 |
| 3.7 本章小结 | 第40-41页 |
| 第4章 基于SVM的随机森林算法 | 第41-49页 |
| 4.1 前言 | 第41-42页 |
| 4.2 改进随机森林算法实现 | 第42-48页 |
| 4.2.1 算法介绍 | 第42-44页 |
| 4.2.2 算法步骤 | 第44-45页 |
| 4.2.3 算法对比 | 第45-48页 |
| 4.3 本章小结 | 第48-49页 |
| 第5章 基于随机森林推荐算法实现及分析 | 第49-58页 |
| 5.1 前言 | 第49-50页 |
| 5.2 随机森林简介 | 第50-51页 |
| 5.3 算法步骤 | 第51-54页 |
| 5.3.1 数据预处理 | 第51-52页 |
| 5.3.2 数据特征选取 | 第52-53页 |
| 5.3.3 模型训练 | 第53-54页 |
| 5.3.4 推荐算法评估标准 | 第54页 |
| 5.4 算法实现和分析 | 第54-57页 |
| 5.5 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 攻读硕士学位期间发表的论文和获得的科研成果 | 第65-66页 |
| 致谢 | 第66-67页 |