基于用户兴趣的推荐算法研究
| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景 | 第9-10页 |
| 1.2 课题研究现状 | 第10-11页 |
| 1.3 面临的挑战 | 第11-13页 |
| 1.4 本文主要工作 | 第13页 |
| 1.5 本文组织 | 第13-15页 |
| 第2章 推荐系统相关技术概述 | 第15-27页 |
| 2.1 协同过滤推荐方法 | 第15-19页 |
| 2.1.1 基于用户的最近邻推荐 | 第16-17页 |
| 2.1.2 基于物品的最近邻推荐 | 第17-19页 |
| 2.2 基于内容的推荐方法 | 第19-21页 |
| 2.3 混合推荐方法 | 第21-23页 |
| 2.4 推荐算法的评价 | 第23-26页 |
| 2.4.1 Top-N推荐 | 第23-24页 |
| 2.4.2 评分预测 | 第24页 |
| 2.4.3 效用优化 | 第24-25页 |
| 2.4.4 实验数据集 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 相似度计算方法的优化 | 第27-38页 |
| 3.1 传统的相似度计算方法 | 第27-30页 |
| 3.1.1 皮尔逊相关系数 | 第27-28页 |
| 3.1.2 欧几里德距离 | 第28-29页 |
| 3.1.3 余弦相似度 | 第29-30页 |
| 3.2 用户行为数据简介 | 第30-32页 |
| 3.2.1 用户行为的收集 | 第30-31页 |
| 3.2.2 用户行为的分析 | 第31-32页 |
| 3.3 考虑活跃度的Pearson相似度优化 | 第32-34页 |
| 3.3.1 考虑高频物品和活跃用户的相似度计算 | 第32-34页 |
| 3.3.2 考虑活跃度的Pearson相似度计算 | 第34页 |
| 3.4 实验结果及分析 | 第34-37页 |
| 3.4.1 实验数据及推荐标准 | 第34-35页 |
| 3.4.2 实验结果及分析 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 基于用户兴趣的协同过滤推荐算法 | 第38-50页 |
| 4.1 用户兴趣 | 第38-40页 |
| 4.2 基于聚类的协同过滤算法 | 第40-41页 |
| 4.2.1 K-means聚类算法 | 第40页 |
| 4.2.2 K-means协同过滤算法 | 第40-41页 |
| 4.3 基于用户兴趣的协同过滤算法 | 第41-44页 |
| 4.3.1 扩展矩阵 | 第41-42页 |
| 4.3.2 SVD算法 | 第42-43页 |
| 4.3.3 算法设计 | 第43-44页 |
| 4.4 实验结果及分析 | 第44-48页 |
| 4.4.1 实验数据及推荐标准 | 第44-45页 |
| 4.4.2 实验结果及分析 | 第45-48页 |
| 4.5 本章小结 | 第48-50页 |
| 第5章 基于Mahout的推荐系统设计与实现 | 第50-58页 |
| 5.1 Mahout与Taste简介 | 第50-51页 |
| 5.2 系统设计与实现 | 第51-56页 |
| 5.2.1 数据建模 | 第51-52页 |
| 5.2.2 系统结构设计 | 第52-53页 |
| 5.2.3 推荐算法实现 | 第53-54页 |
| 5.2.4 推荐结果的展示 | 第54-56页 |
| 5.3 本章小结 | 第56-58页 |
| 第6章 总结与展望 | 第58-61页 |
| 6.1 总结 | 第58-59页 |
| 6.2 展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 附录 | 第65-67页 |
| 附录1 攻读硕士学位期间发表的学术论文 | 第65-67页 |
| 致谢 | 第67-69页 |
| 大摘要 | 第69-73页 |
