基于协同过滤的电影推荐算法研究与实现
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 研究现状及难点挑战 | 第11-15页 |
| 1.2.1 推荐算法的研究现状 | 第11-14页 |
| 1.2.2 研究的难点 | 第14-15页 |
| 1.3 研究内容及创新点 | 第15-17页 |
| 1.3.1 本文的研究内容 | 第15-17页 |
| 1.3.2 本文的主要创新点 | 第17页 |
| 1.4 组织结构 | 第17-19页 |
| 第二章 相关工作 | 第19-28页 |
| 2.1 个性化推荐系统概述 | 第19-20页 |
| 2.2 推荐算法概述 | 第20-26页 |
| 2.2.1 关联规则 | 第20-21页 |
| 2.2.2 基于知识的推荐算法 | 第21-22页 |
| 2.2.3 协同过滤推荐算法 | 第22-25页 |
| 2.2.4 混合推荐模型 | 第25-26页 |
| 2.3 推荐算法对比 | 第26页 |
| 2.4 本章小结 | 第26-28页 |
| 第三章 融合电影属性的协同过滤推荐算法 | 第28-42页 |
| 3.1 冷启动问题 | 第28页 |
| 3.2 BP神经网络介绍 | 第28-31页 |
| 3.3 算法改进 | 第31-36页 |
| 3.3.1 属性相似性 | 第31-33页 |
| 3.3.2 预测模型设计 | 第33-36页 |
| 3.4 实验 | 第36-40页 |
| 3.4.1 数据集 | 第36-37页 |
| 3.4.2 度量标准 | 第37-38页 |
| 3.4.3 实验结果 | 第38-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第四章 基于样本抽样的协同过滤推荐算法 | 第42-51页 |
| 4.1 可扩展性问题 | 第42页 |
| 4.2 算法改进 | 第42-47页 |
| 4.2.1 重要性及代表度 | 第43-45页 |
| 4.2.2 训练阶段抽样 | 第45-46页 |
| 4.2.3 预测阶段抽样 | 第46-47页 |
| 4.3 实验 | 第47-50页 |
| 4.3.1 数据集 | 第47页 |
| 4.3.2 度量标准 | 第47页 |
| 4.3.3 实验结果 | 第47-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 5.1 工作总结 | 第51-52页 |
| 5.2 未来展望 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 致谢 | 第56-57页 |
| 攻读学位期间发表的学术论文目录 | 第57页 |
