基于用户行为模型和蚁群聚类的协同过滤推荐算法
| 目录 | 第3-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 引言 | 第8-19页 |
| 1.1 研究背景与意义 | 第8-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 当前研究方法的不足 | 第15-17页 |
| 1.4 研究工作概述 | 第17-18页 |
| 1.5 组织结构 | 第18-19页 |
| 第二章 基于邻居模型的协同过滤算法 | 第19-27页 |
| 2.1 基本思想 | 第19页 |
| 2.2 相似度计算 | 第19-20页 |
| 2.3 基于用户的K近邻模型 | 第20-22页 |
| 2.4 基于项目的k近邻模型 | 第22-24页 |
| 2.5 本章小结 | 第24-27页 |
| 第三章 基于蚁群模型的协同过滤算法 | 第27-36页 |
| 3.1 蚁群算法基本思想 | 第27-29页 |
| 3.2 蚁群算法的实现 | 第29-30页 |
| 3.3 蚁群聚类 | 第30-33页 |
| 3.4 实验结果分析与讨论 | 第33-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 用户行为建模方法 | 第36-45页 |
| 4.1 基本思想 | 第36-37页 |
| 4.2 影片多维度相似度计算 | 第37-39页 |
| 4.3 用户行为建模 | 第39-42页 |
| 4.4 评价标准 | 第42页 |
| 4.5 实验结果分析与讨论 | 第42-44页 |
| 4.6 本章小结 | 第44-45页 |
| 第五章 模型组合方法 | 第45-49页 |
| 5.1 线性组合模型 | 第45-46页 |
| 5.1.1 简单线性回归 | 第45页 |
| 5.1.2 精细线性回归 | 第45-46页 |
| 5.2 神经网络模型 | 第46-48页 |
| 5.5 本章小结 | 第48-49页 |
| 第六章 影视推荐系统的实现 | 第49-56页 |
| 6.1 系统总体框架设计 | 第49-50页 |
| 6.2 影视元数据抓取 | 第50-51页 |
| 6.3 用户行为采集模块 | 第51-53页 |
| 6.4 影视推荐模块 | 第53-54页 |
| 6.5 系统运行效果 | 第54-56页 |
| 第七章 总结与展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 相关文献 | 第58-60页 |
