摘要 | 第6-7页 |
Abstract | 第7-8页 |
1 绪论 | 第12-19页 |
1.1 选题背景与意义 | 第12-13页 |
1.2 国内外的研究现状 | 第13-16页 |
1.2.1 个性化推荐的研究现状 | 第13-15页 |
1.2.2 协同过滤推荐的研究现状 | 第15-16页 |
1.3 本文的主要内容与创新 | 第16-19页 |
1.3.1 本文的主要内容 | 第16-17页 |
1.3.2 本文的创新点 | 第17-19页 |
2 协同过滤推荐理论及算法研究 | 第19-30页 |
2.1 个性化推荐理论 | 第19-23页 |
2.1.1 个性化推荐的概念 | 第19页 |
2.1.2 个性化推荐的流程 | 第19-21页 |
2.1.3 主流个性化推荐技术的思路分析 | 第21-23页 |
2.2 协同过滤推荐的流程及应用 | 第23-25页 |
2.2.1 协同过滤推荐的流程 | 第23-24页 |
2.2.2 协同过滤推荐的应用 | 第24-25页 |
2.3 协同过滤的基本算法研究 | 第25-26页 |
2.3.1 基于用户的协同过滤算法 | 第25-26页 |
2.3.2 基于项目的协同过滤算法 | 第26页 |
2.4 协同过滤算法的瓶颈及改进 | 第26-30页 |
2.4.1 可扩展性问题 | 第27页 |
2.4.2 数据稀疏性问题 | 第27-28页 |
2.4.3 冷启动问题 | 第28页 |
2.4.4 针对算法瓶颈的改进 | 第28-30页 |
3 融合用户属性和兴趣对比度的协同过滤推荐算法 | 第30-38页 |
3.1 用户属性概述 | 第30-31页 |
3.1.1 用户属性的内涵 | 第30-31页 |
3.1.2 用户属性信息的来源 | 第31页 |
3.2 用户属性的处理方法 | 第31-33页 |
3.2.1 现有的用户属性处理方法 | 第31-33页 |
3.2.2 本文处理用户属性的思路 | 第33页 |
3.3 兴趣对比度 | 第33-35页 |
3.3.1 用户兴趣的界定 | 第33-34页 |
3.3.2 兴趣对比度的含义 | 第34-35页 |
3.4 算法设计 | 第35-38页 |
3.4.1 用户属性的选取 | 第35-36页 |
3.4.2 算法的具体步骤 | 第36-38页 |
4 算法验证与结果分析 | 第38-48页 |
4.1 实验数据集 | 第38-39页 |
4.2 评价标准 | 第39-40页 |
4.3 测试不同用户属性组合约束下的偏好感知能力 | 第40-44页 |
4.3.1 实验过程 | 第40页 |
4.3.2 结果分析 | 第40-44页 |
4.4 融合用户属性和兴趣对比度的协同过滤推荐算法的验证 | 第44-48页 |
4.4.1 实验过程 | 第44页 |
4.4.2 结果分析 | 第44-48页 |
5 总结与展望 | 第48-49页 |
参考文献 | 第49-52页 |
攻读学位期间发表的学术论文 | 第52-53页 |
致谢 | 第53页 |