电子商务中基于动态图模型的推荐方法研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 引言 | 第13-18页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 问题提出 | 第14-15页 |
| 1.3 研究的主要内容 | 第15-16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第2章 相关工作 | 第18-28页 |
| 2.1 推荐算法 | 第18-21页 |
| 2.1.1 协同过滤推荐算法 | 第18-19页 |
| 2.1.2 基于内容的推荐算法 | 第19-20页 |
| 2.1.3 基于图的推荐算法 | 第20-21页 |
| 2.2 极限学习机 | 第21-23页 |
| 2.2.1 极限学习机ELM | 第22页 |
| 2.2.2 无监督极限学习机US-ELM | 第22-23页 |
| 2.3 Hadoop | 第23-27页 |
| 2.3.1 HDFS | 第24-26页 |
| 2.3.2 MapReduce | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于动态图模型的用户偏好计算 | 第28-41页 |
| 3.1 问题描述 | 第28-32页 |
| 3.2 用户偏好 | 第32页 |
| 3.3 时间流逝因子 | 第32-33页 |
| 3.4 MapReduce环境下用户偏好计算流程 | 第33-40页 |
| 3.4.1 用户-分类偏好 | 第34-38页 |
| 3.4.2 基于动态图模型的用户-分类偏好 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 基于用户偏好的推荐方法 | 第41-52页 |
| 4.1 基于US-ELM的用户聚类 | 第41-42页 |
| 4.2 面向用户分组的推荐方法 | 第42-47页 |
| 4.2.1 确定候选物品集 | 第43-44页 |
| 4.2.2 计算物品推荐值 | 第44-45页 |
| 4.2.3 物品推荐 | 第45-47页 |
| 4.3 面向特定用户的推荐方法 | 第47-51页 |
| 4.3.1 计算物品推荐值 | 第48-50页 |
| 4.3.2 物品推荐 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 实验与分析 | 第52-59页 |
| 5.1 实验环境配置 | 第52-54页 |
| 5.1.1 实验环境及方案 | 第52-53页 |
| 5.1.2 实验数据集 | 第53页 |
| 5.1.3 实验评测标准 | 第53-54页 |
| 5.2 实验结果分析 | 第54-58页 |
| 5.2.1 数据集与时间消耗 | 第54-55页 |
| 5.2.2 推荐的准确率和召回率 | 第55-56页 |
| 5.2.3 快照数对性能的影响 | 第56-57页 |
| 5.2.4 用户相似性阈值对性能的影响 | 第57-58页 |
| 5.3 本章小结 | 第58-59页 |
| 第6章 结论与展望 | 第59-61页 |
| 6.1 本文工作成果总结 | 第59-60页 |
| 6.2 工作中不足和展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 攻读学位期间发表的学术论文及参加科研情况 | 第65-66页 |
