基于热传导和LDA的推荐系统的研究和实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1. 课题背景及研究的目的和意义 | 第8-9页 |
| 1.2. 国内外研究现状 | 第9-12页 |
| 1.2.1. 热传导算法研究现状 | 第9-10页 |
| 1.2.2. 概率主题模型研究现状 | 第10-11页 |
| 1.2.3. 混合推荐算法研究现状 | 第11页 |
| 1.2.4. 当前推荐算法缺陷总结 | 第11-12页 |
| 1.3. 本文的主要研究内容 | 第12-13页 |
| 1.4. 本文组织结构 | 第13-14页 |
| 第2章 基于热传导模型的推荐算法的研究 | 第14-30页 |
| 2.1. 基于二部图的热传导算法 | 第14-17页 |
| 2.1.1. 二部图网络 | 第14-15页 |
| 2.1.2. 热传导算法模型 | 第15-16页 |
| 2.1.3. 热传导算法缺陷 | 第16-17页 |
| 2.2. 热传导算法改进 | 第17-19页 |
| 2.3. 实验结果与分析 | 第19-29页 |
| 2.3.1. 实验数据集信息 | 第19页 |
| 2.3.2. 二部图分布特征 | 第19-21页 |
| 2.3.3. 用户潜在消费习惯 | 第21-22页 |
| 2.3.4. 用户兴趣广泛度 | 第22-24页 |
| 2.3.5. 算法性能实验 | 第24-28页 |
| 2.3.6. 不同算法比较 | 第28-29页 |
| 2.4. 本章小结 | 第29-30页 |
| 第3章 基于用户兴趣扩展的个性化推荐算法 | 第30-46页 |
| 3.1. 整体算法框架 | 第30-32页 |
| 3.1.1. 算法假设 | 第31页 |
| 3.1.2. 算法工作流程 | 第31-32页 |
| 3.2. 用户兴趣建模 | 第32-36页 |
| 3.2.1. LDA算法 | 第32-34页 |
| 3.2.2. 用户兴趣抽取 | 第34-35页 |
| 3.2.3. 用户兴趣关联图 | 第35-36页 |
| 3.3. 兴趣扩展算法 | 第36-40页 |
| 3.3.1. 用户兴趣过拟合 | 第36-37页 |
| 3.3.2. 带有重启动的随机游走算法 | 第37-38页 |
| 3.3.3. 扩展冗余去除 | 第38-39页 |
| 3.3.4. 推荐列表生成 | 第39页 |
| 3.3.5. LDA算法参数估计 | 第39-40页 |
| 3.4. 实验结果和分析 | 第40-45页 |
| 3.4.1. 实验数据集 | 第40页 |
| 3.4.2. LDA参数估计 | 第40-42页 |
| 3.4.3. 实验分析 | 第42-44页 |
| 3.4.4. 不同算法性能比较 | 第44-45页 |
| 3.5. 本章小结 | 第45-46页 |
| 第4章 基于混合模型的推荐算法的研究和实现 | 第46-59页 |
| 4.1. 推荐算法混合策略 | 第46-48页 |
| 4.1.1. 加权式混合策略 | 第46-47页 |
| 4.1.2. 流水线分级混合策略 | 第47页 |
| 4.1.3. 位置加权混合策略 | 第47-48页 |
| 4.2. TOP-N混合推荐 | 第48-49页 |
| 4.3. 评分预测混合推荐 | 第49-50页 |
| 4.4. 实验结果及分析 | 第50-58页 |
| 4.4.1. Top-N混合实验分析 | 第50-56页 |
| 4.4.2. 评分预测混合实验分析 | 第56-58页 |
| 4.5. 本章小结 | 第58-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-67页 |
| 致谢 | 第67页 |
