协同过滤推荐算法的动态性研究
| 摘要 | 第1-6页 |
| abstract | 第6-10页 |
| 第1章 绪论 | 第10-20页 |
| ·研究背景和研究意义 | 第10-12页 |
| ·研究背景 | 第10-11页 |
| ·研究意义 | 第11-12页 |
| ·推荐系统研究现状 | 第12-18页 |
| ·基于内容的推荐算法 | 第12-13页 |
| ·协同过滤推荐算法 | 第13-14页 |
| ·基于信任的推荐算法 | 第14-15页 |
| ·基于标签的推荐算法 | 第15-16页 |
| ·混合算法 | 第16-17页 |
| ·推荐系统最新研究热点 | 第17-18页 |
| ·论文主要研究内容和创新点 | 第18-19页 |
| ·论文组织结构 | 第19-20页 |
| 第2章 协同过滤算法介绍 | 第20-34页 |
| ·常见协同过滤算法介绍 | 第20-28页 |
| ·基于用户相似性的协同推荐算法 | 第20-22页 |
| ·基于项目相似性的协同推荐算法 | 第22-23页 |
| ·SlopeOne算法 | 第23-24页 |
| ·基于用户-项目网络关系的推荐算法 | 第24-26页 |
| ·矩阵分解 | 第26-28页 |
| ·协同过滤算法遇到的挑战 | 第28-30页 |
| ·冷启动问题 | 第28-29页 |
| ·数据稀疏性 | 第29页 |
| ·兴趣变化 | 第29页 |
| ·其他问题 | 第29-30页 |
| ·协同过滤算法评价标准 | 第30-32页 |
| ·准确率 | 第30页 |
| ·TOP-N推荐标准 | 第30-31页 |
| ·多样性和新颖性 | 第31页 |
| ·覆盖率 | 第31-32页 |
| ·其他指标 | 第32页 |
| ·本章小结 | 第32-34页 |
| 第3章 协同过滤算法的动态性研究 | 第34-42页 |
| ·协同过滤算法面临的动态性问题 | 第34-35页 |
| ·商品的时效性 | 第34-35页 |
| ·用户评价标准的变化 | 第35页 |
| ·用户兴趣变化 | 第35页 |
| ·解决动态性问题的方法分析 | 第35-41页 |
| ·基于衰减函 | 第35-38页 |
| ·直接对时间建模 | 第38-39页 |
| ·兴趣漂移检测 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 第4章 考虑用户兴趣变化的概率隐语义协同推荐算法 | 第42-52页 |
| ·概率隐语义(PLSA)算法 | 第42-44页 |
| ·算法应用背景 | 第42页 |
| ·隐语义(LSA)算法 | 第42-43页 |
| ·概率隐语义算法(PLSA) | 第43-44页 |
| ·概率隐语义算法常见应用 | 第44页 |
| ·基于PLSA的协同过滤算法 | 第44-47页 |
| ·高斯概率隐语义算法与推荐系统 | 第44-46页 |
| ·高斯概率隐语义算法参数求解 | 第46-47页 |
| ·利用短期兴趣建模解决用户兴趣变化问题 | 第47-48页 |
| ·DPLSA推荐算法流程描述 | 第48页 |
| ·DPLSA推荐算法复杂度分析 | 第48-50页 |
| ·DPLSA算法的离线复杂度 | 第49页 |
| ·DPLSA算法的在线复杂度 | 第49-50页 |
| ·本章小结 | 第50-52页 |
| 第5章 实验与结果分析 | 第52-56页 |
| ·实验数据 | 第52-53页 |
| ·推荐系统常用数据集介绍 | 第52-53页 |
| ·数据集特征和预处理 | 第53页 |
| ·评价标准 | 第53页 |
| ·参数选择和试验结果分析 | 第53-55页 |
| ·实验结果对构建推荐系统的参考意义 | 第55页 |
| ·本章小结 | 第55-56页 |
| 第6章 结论与展望 | 第56-58页 |
| ·论文总结 | 第56-57页 |
| ·未来研究工作 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第64页 |
