个性化推荐系统中协同过滤技术的研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 引言 | 第10-11页 |
| 1.2 个性化推荐系统研究现状 | 第11-14页 |
| 1.2.1 个性化推荐系统简介 | 第11-12页 |
| 1.2.2 个性化推荐系统实例 | 第12-13页 |
| 1.2.3 个性化推荐系统的研究内容 | 第13-14页 |
| 1.3 本文组织结构 | 第14-16页 |
| 第二章 推荐系统相关技术介绍 | 第16-28页 |
| 2.1 推荐系统的分类 | 第16-19页 |
| 2.1.1 基于内容的推荐 | 第16-17页 |
| 2.1.2 协同过滤推荐 | 第17-18页 |
| 2.1.3 基于知识的推荐 | 第18页 |
| 2.1.4 混合推荐方法 | 第18-19页 |
| 2.2 协同过滤技术介绍 | 第19-23页 |
| 2.2.1 协同过滤技术的基本原理 | 第19-21页 |
| 2.2.2 协同过滤算法的分类 | 第21页 |
| 2.2.3 协同过滤算法的评测 | 第21-23页 |
| 2.2.4 协同过滤算法所面临的问题 | 第23页 |
| 2.3 核心算法介绍 | 第23-27页 |
| 2.3.1 基于用户的协同过滤算法 | 第23-25页 |
| 2.3.2 基于项目的协同过滤算法 | 第25-26页 |
| 2.3.3 K 均值聚类算法 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于项目聚类的协同过滤算法改进 | 第28-44页 |
| 3.1 问题的提出 | 第28-29页 |
| 3.2 现有研究 | 第29-30页 |
| 3.3 基于项目聚类的协同过滤改进算法设计 | 第30-40页 |
| 3.3.1 数据预处理 | 第31-33页 |
| 3.3.2 项目聚类 | 第33-35页 |
| 3.3.3 最近邻查询 | 第35-37页 |
| 3.3.4 评分预测 | 第37-40页 |
| 3.4 试验数据及分析 | 第40-43页 |
| 3.4.1 数据集 | 第40页 |
| 3.4.2 推荐质量指标 | 第40-41页 |
| 3.4.3 试验结果 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 利用信息扩展技术缓解新用户冷启动问题 | 第44-54页 |
| 4.1 问题描述 | 第44页 |
| 4.2 相关研究 | 第44-47页 |
| 4.2.1 冷启动问题 | 第44-45页 |
| 4.2.2 现有研究 | 第45-46页 |
| 4.2.3 相关反馈和查询扩展 | 第46-47页 |
| 4.3 采用全局项目的信息扩展技术解决新用户问题 | 第47-51页 |
| 4.3.2 用户信息定义 | 第47-48页 |
| 4.3.3 扩展信息选取 | 第48-49页 |
| 4.3.4 协同过滤产生推荐 | 第49-51页 |
| 4.4 试验数据及分析 | 第51-53页 |
| 4.4.1 数据集 | 第51-52页 |
| 4.4.2 评测方法 | 第52页 |
| 4.4.3 试验结果 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 结论 | 第54-56页 |
| 5.1 总结 | 第54-55页 |
| 5.2 展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-61页 |
