推荐算法研究与应用
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-12页 |
| 1.1.1 研究背景 | 第9-11页 |
| 1.1.2 长尾理论 | 第11-12页 |
| 1.2 个性化推荐的发展 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-16页 |
| 1.3.1 个性化推荐系统研究内容 | 第13页 |
| 1.3.2 个性化推荐系统研究现状 | 第13-15页 |
| 1.3.3 基于内容的推荐系统 | 第15页 |
| 1.3.4 基于协同过滤的推荐算法 | 第15页 |
| 1.3.5 基于图的推荐算法 | 第15-16页 |
| 1.4 本文工作及内容安排 | 第16-17页 |
| 第二章 常用推荐算法及评价指标介绍 | 第17-26页 |
| 2.1 协同过滤算法 | 第17-20页 |
| 2.1.1 基于用户的协同过滤算法 | 第17-19页 |
| 2.1.2 基于物品的协同过滤 | 第19页 |
| 2.1.3 基于矩阵分解(SVD)的推荐 | 第19-20页 |
| 2.2 基于内容的推荐算法 | 第20页 |
| 2.3 协同过滤的优点 | 第20-21页 |
| 2.4 协同过滤的缺点 | 第21-22页 |
| 2.4.1 矩阵稀疏 | 第21页 |
| 2.4.2 冷启动 | 第21-22页 |
| 2.5 个性化推荐系统评价指标 | 第22-24页 |
| 2.5.1 MAE平均绝对误差 | 第22-23页 |
| 2.5.2 RMSE均方根误差 | 第23页 |
| 2.5.3 准确率和召回率 | 第23-24页 |
| 2.5.4 其他评价方法 | 第24页 |
| 2.6 常用数据集 | 第24-25页 |
| 2.7 本章小结 | 第25-26页 |
| 第三章 基于矩阵分解的协同过滤算法研究及改进 | 第26-43页 |
| 3.1 基于矩阵分解的个性化推荐 | 第26-30页 |
| 3.2 经典的矩阵分解模型 | 第30-34页 |
| 3.2.1 SVD++ | 第30-32页 |
| 3.2.2 timeSVD++ | 第32-34页 |
| 3.3 基于时间敏感改进的推荐模型 | 第34-39页 |
| 3.4 Netflix实验结果及分析 | 第39-42页 |
| 3.5 本章小节 | 第42-43页 |
| 第四章 分布式算法实现 | 第43-50页 |
| 4.1 单线程算法实现 | 第43-44页 |
| 4.2 分布式算法实现 | 第44-47页 |
| 4.3 Spark与Hadoop对比 | 第47-49页 |
| 4.4 实验 | 第49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 总结 | 第50-52页 |
| 5.1 总结 | 第50-51页 |
| 5.2 展望 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 致谢 | 第55-56页 |
| 作者攻读学位期间发表的学术论文目录 | 第56页 |
