推荐系统中协同过滤算法关键问题研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 国内研究现状 | 第11-13页 |
| 1.2.2 国外研究现状 | 第13-14页 |
| 1.3 推荐系统面临的挑战 | 第14-16页 |
| 1.4 主要工作和组织结构 | 第16-18页 |
| 1.4.1 主要工作 | 第16页 |
| 1.4.2 组织结构 | 第16-18页 |
| 第2章 推荐系统及相关技术 | 第18-31页 |
| 2.1 数据挖掘 | 第18-22页 |
| 2.1.1 数据挖掘的概念 | 第18-19页 |
| 2.1.2 数据挖掘的发展 | 第19-20页 |
| 2.1.3 数据挖掘的主要过程 | 第20-21页 |
| 2.1.4 数据挖掘方法和技术 | 第21-22页 |
| 2.2 推荐系统 | 第22-24页 |
| 2.2.1 推荐系统概述 | 第22页 |
| 2.2.2 推荐系统模块构成及流程 | 第22-23页 |
| 2.2.3 推荐系统作用 | 第23-24页 |
| 2.3 推荐算法 | 第24-30页 |
| 2.3.1 协同过滤推荐算法 | 第24-27页 |
| 2.3.2 基于关联规则的推荐算法 | 第27-28页 |
| 2.3.3 基于内容过滤的推荐算法 | 第28页 |
| 2.3.4 基于用户统计信息 | 第28-29页 |
| 2.3.5 组合推荐算法 | 第29页 |
| 2.3.6 推荐算法的比较 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 结合用户属性聚类的协同过滤推荐算法 | 第31-43页 |
| 3.1 引言 | 第31-32页 |
| 3.2 基于项目的协同过滤算法 | 第32-33页 |
| 3.3 K-means算法 | 第33-37页 |
| 3.3.1 K-means聚类算法 | 第33-34页 |
| 3.3.2 K-means算法步骤 | 第34页 |
| 3.3.3 聚类算法K-means设计 | 第34-35页 |
| 3.3.4 K-means算法聚类过程示例 | 第35-37页 |
| 3.4 结合用户属性聚类的协同过滤算法 | 第37-38页 |
| 3.5 仿真实验 | 第38-42页 |
| 3.5.1 聚类数目和权重取值 | 第39-40页 |
| 3.5.2 算法比较 | 第40-41页 |
| 3.5.3 冷启动情形下算法的比较 | 第41-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 一种结合图模型的协同过滤算法 | 第43-55页 |
| 4.1 引言 | 第43-44页 |
| 4.2 问题定义 | 第44-45页 |
| 4.3 结合图模型的相似性计算方法 | 第45-51页 |
| 4.3.1 协同过滤系统的图形化表示 | 第45-48页 |
| 4.3.2 用户之间相似性计算 | 第48-50页 |
| 4.3.3 项目之间相似性计算 | 第50-51页 |
| 4.4 仿真实验 | 第51-54页 |
| 4.4.1 实验数据 | 第51页 |
| 4.4.2 实验结果评估方法 | 第51-52页 |
| 4.4.3 实验结果 | 第52-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 参考文献 | 第57-63页 |
| 致谢 | 第63-65页 |
| 攻读硕士期间的成果 | 第65-67页 |
