协同过滤算法在个性化推荐系统中的研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 国外研究现状 | 第11-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 论文主要的研究内容 | 第14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 2 个性化推荐系统及其核心技术 | 第16-28页 |
| 2.1 个性化推荐系统概述 | 第16-18页 |
| 2.1.1 个性化推荐系统的概念 | 第16页 |
| 2.1.2 个性化推荐系统分类 | 第16-17页 |
| 2.1.3 个性化推荐系统的意义 | 第17-18页 |
| 2.2 个性化推荐系统构成 | 第18-20页 |
| 2.2.1 输入模块 | 第18-20页 |
| 2.2.2 输出模块 | 第20页 |
| 2.2.3 推荐系统算法模块 | 第20页 |
| 2.3 个性化推荐的核心技术 | 第20-26页 |
| 2.3.1 基于内容推荐 | 第21-22页 |
| 2.3.2 贝叶斯网络 | 第22-23页 |
| 2.3.3 关联规则 | 第23-24页 |
| 2.3.4 聚类 | 第24-25页 |
| 2.3.5 协同过滤 | 第25-26页 |
| 2.4 个性化推荐系统的评价标准 | 第26-27页 |
| 2.4.1 精确度 | 第26页 |
| 2.4.2 用户满意程度 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 3 协同过滤算法的研究 | 第28-38页 |
| 3.1 协同过滤理论概述 | 第28-30页 |
| 3.1.1 协同过滤的基本思想 | 第28页 |
| 3.1.2 协同过滤的实现 | 第28-30页 |
| 3.2 常用的协同过滤算法 | 第30-35页 |
| 3.3.1 基于内存的协同过滤算法 | 第31-33页 |
| 3.3.2 基于模型的协同过滤 | 第33-34页 |
| 3.3.3 混合推荐算法 | 第34-35页 |
| 3.3 协同过滤算法存在的问题 | 第35-36页 |
| 3.3.1 数据稀疏性(Sparsity)问题 | 第35-36页 |
| 3.3.2 冷启动(Cold-Start) | 第36页 |
| 3.4 本章小结 | 第36-38页 |
| 4 基于项目的协同过滤算法优化 | 第38-49页 |
| 4.1 基于项目的协同过滤算法 | 第38-42页 |
| 4.1.1 基于项目的协同过滤算法实现过程 | 第38-40页 |
| 4.1.2 基于项目的协同过滤算法的优化思路 | 第40-42页 |
| 4.2 基于项目的协同过滤算法的优化 | 第42-45页 |
| 4.2.1 相似性度量方法的优化 | 第42-44页 |
| 4.2.2 产生推荐 | 第44-45页 |
| 4.3 优化算法的实现 | 第45-48页 |
| 4.3.1 填补未评分项目的评分 | 第46-47页 |
| 4.3.2 改进基于项目的算法的实现 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 5 算法验证与分析 | 第49-56页 |
| 5.1 数据集 | 第49-51页 |
| 5.2 实验标准及方案 | 第51-53页 |
| 5.2.1 实验标准 | 第51页 |
| 5.2.2 实验方案 | 第51-53页 |
| 5.3 实验结果及分析 | 第53-54页 |
| 5.4 本章小结 | 第54-56页 |
| 6 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 攻读学位期间的研究成果 | 第62页 |
