基于项目搭配度的大数据推荐算法研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-15页 |
| 1.1 引言 | 第7页 |
| 1.2 研究背景与意义 | 第7-8页 |
| 1.3 国内外研究现状 | 第8-12页 |
| 1.3.1 推荐系统研究现状 | 第8-10页 |
| 1.3.2 推荐技术研究现状 | 第10-12页 |
| 1.4 本文研究内容及篇章结构 | 第12-14页 |
| 1.4.1 研究内容 | 第12页 |
| 1.4.2 篇章结构 | 第12-14页 |
| 1.5 本章小结 | 第14-15页 |
| 2 推荐系统相关技术研究 | 第15-23页 |
| 2.1 基于内容的推荐算法 | 第15-16页 |
| 2.2 协同过滤推荐算法 | 第16-19页 |
| 2.2.1 用户-项目评分矩阵 | 第16-17页 |
| 2.2.2 基于内存的协同过滤推荐算法 | 第17-18页 |
| 2.2.3 基于模型的协同过滤推荐算法 | 第18-19页 |
| 2.3 基于知识的推荐算法 | 第19页 |
| 2.4 基于排序学习的推荐算法 | 第19-21页 |
| 2.5 主要推荐算法的对比 | 第21-22页 |
| 2.6 本章小结 | 第22-23页 |
| 3 面向多源异构数据的项目搭配度模型 | 第23-34页 |
| 3.1 问题提出 | 第23-24页 |
| 3.2 相关概念 | 第24-25页 |
| 3.2.1 项目搭配度 | 第24页 |
| 3.2.2 用户交互反馈 | 第24页 |
| 3.2.3 搭配数据库 | 第24-25页 |
| 3.2.4 数学定义 | 第25页 |
| 3.3 面向多源异构数据的搭配度模型构建 | 第25-29页 |
| 3.3.1 基于文本数据 | 第25-27页 |
| 3.3.2 基于领域知识数据 | 第27-28页 |
| 3.3.3 基于用户交互反馈数据 | 第28-29页 |
| 3.4 模型实现算法与分析 | 第29-32页 |
| 3.5 本章小结 | 第32-34页 |
| 4 混合项目搭配推荐算法 | 第34-44页 |
| 4.1 问题提出 | 第34页 |
| 4.2 融合搭配推荐框架 | 第34-36页 |
| 4.2.1 排序学习推荐算法模型 | 第34-35页 |
| 4.2.2 基于排序学习的混合搭配推荐算法流程 | 第35-36页 |
| 4.3 基于排序学习的混合搭配推荐算法 | 第36-40页 |
| 4.3.1 基本思想 | 第36-39页 |
| 4.3.2 算法实现 | 第39-40页 |
| 4.4 搭配融合过滤算法 | 第40-43页 |
| 4.4.1 常见的推荐模型融合方法 | 第40-41页 |
| 4.4.2 算法设计与实现 | 第41-43页 |
| 4.5 本章小结 | 第43-44页 |
| 5 实验设计与结果分析 | 第44-56页 |
| 5.1 数据集与实验环境 | 第44-46页 |
| 5.1.1 数据集 | 第44-46页 |
| 5.1.2 实验环境 | 第46页 |
| 5.2 评价标准 | 第46-48页 |
| 5.3 实验方案与结果分析 | 第48-54页 |
| 5.3.1 子搭配模型的搭配预测效果验证 | 第48-52页 |
| 5.3.2 HRIM算法的搭配预测效果验证 | 第52-54页 |
| 5.4 本章小结 | 第54-56页 |
| 6 总结和展望 | 第56-57页 |
| 6.1 研究总结 | 第56页 |
| 6.2 研究展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-64页 |
| 附录 | 第64页 |
