多维数据融合的电影推荐系统研究与实现
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.4 论文结构 | 第15-18页 |
| 第二章 推荐系统相关技术研究 | 第18-28页 |
| 2.1 推荐系统概述 | 第18页 |
| 2.2 推荐系统相关算法 | 第18-22页 |
| 2.2.1 基于用户相关的推荐算法 | 第19页 |
| 2.2.2 基于相关内容的推荐算法 | 第19-20页 |
| 2.2.3 推荐算法距离计算 | 第20-21页 |
| 2.2.4 协同过滤推荐算法流程 | 第21-22页 |
| 2.3 实验数据的获取 | 第22-26页 |
| 2.3.1 调取官方API接口 | 第22-23页 |
| 2.3.2 爬虫数据获取 | 第23-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第三章 基于用户人格特质与用户背景信息的推荐 | 第28-36页 |
| 3.1 问题描述 | 第28页 |
| 3.2 用户人格特质分析 | 第28-30页 |
| 3.2.1 情感统计特征 | 第29页 |
| 3.2.2 特征权重计算 | 第29-30页 |
| 3.3 融合用户背景和用户人格推荐算法 | 第30-32页 |
| 3.4 实验结果与分析 | 第32-34页 |
| 3.4.1 豆瓣电影数据的爬取 | 第32页 |
| 3.4.2 数据集 | 第32页 |
| 3.4.3 实验及其结果分析 | 第32-34页 |
| 3.5 本章小结 | 第34-36页 |
| 第四章 基于兴趣-时间衰减的电影推荐方法 | 第36-44页 |
| 4.1 问题描述 | 第36页 |
| 4.2 基于兴趣-时间衰减的电影推荐方法描述 | 第36-39页 |
| 4.2.1 相似度的计算 | 第36-37页 |
| 4.2.2 时间衰减相似度计算 | 第37-38页 |
| 4.2.3 基于兴趣-时间衰减的推荐方法 | 第38-39页 |
| 4.3 实验及其结果分析 | 第39-42页 |
| 4.3.1 实验数据及其评测标准 | 第39-40页 |
| 4.3.2 实验结果与分析 | 第40-42页 |
| 4.4 本章小结 | 第42-44页 |
| 第五章 基于用户观影表情等多维数据融合的推荐方法 | 第44-54页 |
| 5.1 问题描述 | 第44页 |
| 5.2 用户观影表情数据分析 | 第44-47页 |
| 5.2.1 用户观影表情数据获取 | 第44-45页 |
| 5.2.2 用户观影表情数据分析 | 第45-47页 |
| 5.3 多维数据融合的推荐算法 | 第47-48页 |
| 5.4 实验结果与分析 | 第48-52页 |
| 5.4.1 实验数据获取 | 第48-49页 |
| 5.4.2 实验评价标准 | 第49页 |
| 5.4.3 实验分析 | 第49-52页 |
| 5.5 本章小结 | 第52-54页 |
| 第六章 推荐系统的设计与实现 | 第54-68页 |
| 6.1 需求分析 | 第54-55页 |
| 6.2 推荐系统整体设计 | 第55-56页 |
| 6.3 常用软件及其开发平台 | 第56-57页 |
| 6.4 功能模块设计 | 第57-59页 |
| 6.5 数据库模块设计 | 第59-61页 |
| 6.6 系统的实现 | 第61-67页 |
| 6.6.1 用户注册和登录的实现 | 第61-62页 |
| 6.6.2 视频播放与视频推荐 | 第62-64页 |
| 6.6.3 管理员登录与数据管理 | 第64-67页 |
| 6.7 本章小结 | 第67-68页 |
| 第七章 总结与展望 | 第68-70页 |
| 7.1 论文总结 | 第68页 |
| 7.2 研究展望 | 第68-70页 |
| 致谢 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 附录A 攻读硕士学位期间发表论文与专利 | 第76页 |
