推荐系统中相似度计算方法的研究
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 课题研究背景 | 第13-14页 |
| 1.2 课题研究现状 | 第14-15页 |
| 1.3 面临的挑战 | 第15-17页 |
| 1.4 本文主要工作 | 第17-18页 |
| 1.5 本文组织 | 第18-19页 |
| 第2章 推荐系统相关技术概述 | 第19-27页 |
| 2.1 协同过滤推荐方法 | 第19-23页 |
| 2.1.1 基于用户的最近邻推荐 | 第20-21页 |
| 2.1.2 基于物品的最近邻推荐 | 第21-23页 |
| 2.2 基于内容的推荐方法 | 第23-25页 |
| 2.3 混合推荐方法 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 协同过滤算法的实验分析 | 第27-38页 |
| 3.1 用户行为数据简介 | 第27-28页 |
| 3.2 实验设计思想 | 第28-29页 |
| 3.3 评测指标与数据集 | 第29-33页 |
| 3.3.1 Top-N推荐 | 第29-30页 |
| 3.3.2 评分预测 | 第30页 |
| 3.3.3 效用优化 | 第30-31页 |
| 3.3.4 其他指标 | 第31-32页 |
| 3.3.5 实验数据集 | 第32-33页 |
| 3.4 基于用户的协同过滤算法分析 | 第33-34页 |
| 3.5 基于物品的协同过滤算法分析 | 第34-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第4章 相似度计算方法的优化 | 第38-49页 |
| 4.1 传统的相似度计算方法 | 第38-41页 |
| 4.1.1 皮尔逊相关系数 | 第38-39页 |
| 4.1.2 欧几里德距离 | 第39-40页 |
| 4.1.3 余弦相似度 | 第40-41页 |
| 4.2 考虑高频物品和活跃用户的相似度计算 | 第41-42页 |
| 4.3 考虑共同评分用户数量的相似度计算 | 第42-44页 |
| 4.4 考虑不同物品相似权重的用户相似度计算 | 第44-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 基于Mahout的推荐系统设计 | 第49-58页 |
| 5.1 Mahout与Taste简介 | 第49-50页 |
| 5.2 系统设计与实现 | 第50-53页 |
| 5.2.1 系统环境部署 | 第50页 |
| 5.2.2 系统结构设计 | 第50-51页 |
| 5.2.3 Recommender推荐引擎实现 | 第51-53页 |
| 5.3 实验结果分析 | 第53-57页 |
| 5.4 本章小结 | 第57-58页 |
| 总结与展望 | 第58-60页 |
| 1 总结 | 第58-59页 |
| 2 展望 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 附录 | 第65-66页 |
| 附录1攻读硕士学位期间发表的学术论文 | 第65-66页 |
| 致谢 | 第66页 |
