一种轻量级协同过滤推荐系统研究
| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 国内外研究现状及分析 | 第14-19页 |
| 1.2.1 隐式指示器有效性研究 | 第15-17页 |
| 1.2.2 协同过滤推荐系统研究 | 第17-19页 |
| 1.3 研究内容及创新 | 第19-20页 |
| 1.3.1 研究内容 | 第19-20页 |
| 1.3.2 研究创新 | 第20页 |
| 1.4 研究框架 | 第20-22页 |
| 第2章 协同过滤推荐概述 | 第22-36页 |
| 2.1 用户浏览行为数据类型 | 第22-24页 |
| 2.1.1 显式反馈数据 | 第22-23页 |
| 2.1.2 隐式反馈数据 | 第23-24页 |
| 2.2 文本分类算法 | 第24-29页 |
| 2.2.1 朴素贝叶斯分类算法 | 第24-25页 |
| 2.2.2 决策树分类算法 | 第25-26页 |
| 2.2.3 支持向量机分类算法 | 第26-27页 |
| 2.2.4 神经网络分类算法 | 第27-28页 |
| 2.2.5 最近邻分类算法 | 第28-29页 |
| 2.3 个性化推荐技术 | 第29-34页 |
| 2.3.1 基于关联规则的推荐技术 | 第30-31页 |
| 2.3.2 基于内容过滤的推荐技术 | 第31-32页 |
| 2.3.3 基于协同过滤的推荐技术 | 第32-34页 |
| 2.4 小结 | 第34-36页 |
| 第3章 面向用户兴趣的关键隐式指示器 | 第36-56页 |
| 3.1 隐式行为分析 | 第36-39页 |
| 3.1.1 隐式指示器类别 | 第36-38页 |
| 3.1.2 隐式指示器关联组合 | 第38-39页 |
| 3.2 隐式数据获取与处理 | 第39-46页 |
| 3.2.1 隐式指示器数据获取 | 第39-44页 |
| 3.2.2 隐式指示器数据预处理 | 第44-46页 |
| 3.3 关键隐式指示器的评估与最终形成 | 第46-55页 |
| 3.3.1 实验设置及评估过程 | 第46-50页 |
| 3.3.2 实验结果及最终结论 | 第50-55页 |
| 3.4 小结 | 第55-56页 |
| 第4章 轻量级协同过滤推荐系统LW-CF | 第56-70页 |
| 4.1 基于关键隐式指示器的评分算法 | 第56-59页 |
| 4.1.1 关键隐式指示器权重的构建 | 第56-58页 |
| 4.1.2 页面综合隐式评分的形成 | 第58-59页 |
| 4.2 基于隐式评分的属性效用模型 | 第59-64页 |
| 4.2.1 属性效用水平的确立 | 第59-60页 |
| 4.2.2 属性效用函数的构建 | 第60-64页 |
| 4.3 基于特征属性的轻量级协同过滤推荐 | 第64-69页 |
| 4.3.1 基于特征属性的推荐算法改进 | 第64-66页 |
| 4.3.2 轻量级协同过滤推荐效果验证 | 第66-69页 |
| 4.4 小结 | 第69-70页 |
| 第5章 结论及展望 | 第70-74页 |
| 参考文献 | 第74-82页 |
| 攻读硕士期间已发表的论文 | 第82-84页 |
| 致谢 | 第84页 |
