面向多样性的推荐算法研究
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文的主要贡献与创新 | 第14-15页 |
| 1.4 本论文的结构安排 | 第15-17页 |
| 第二章 推荐系统基础知识 | 第17-29页 |
| 2.1 推荐系统介绍 | 第17-18页 |
| 2.2 推荐算法分类 | 第18-24页 |
| 2.2.1 基于最近邻的协同过滤推荐算法 | 第19-22页 |
| 2.2.2 基于机器学习模型的推荐算法 | 第22-23页 |
| 2.2.3 基于图模型的推荐算法 | 第23-24页 |
| 2.3 评价指标 | 第24-26页 |
| 2.3.1 准确率指标 | 第24页 |
| 2.3.2 多样性指标 | 第24-26页 |
| 2.4 实验数据集 | 第26-28页 |
| 2.4.1 评分记录的类型 | 第26页 |
| 2.4.2 数据集选择 | 第26-28页 |
| 2.4.3 训练集和测试集 | 第28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 推荐算法的直接改进方法 | 第29-46页 |
| 3.1 问题的提出 | 第29-32页 |
| 3.1.1 用户活跃度与多样性需求 | 第29-30页 |
| 3.1.2 基于用户活跃度划分用户群 | 第30-32页 |
| 3.2 用户最近邻协同过滤推荐算法的改进 | 第32-37页 |
| 3.2.1 分析与改进 | 第32-34页 |
| 3.2.2 算法性能评测 | 第34-37页 |
| 3.3 物品最近邻协同过滤推荐算法的改进 | 第37-41页 |
| 3.3.1 分析与改进 | 第37-39页 |
| 3.3.2 算法性能评测 | 第39-41页 |
| 3.4 二部图模型推荐算法的改进 | 第41-45页 |
| 3.4.1 分析与改进 | 第41-43页 |
| 3.4.2 算法性能评测 | 第43-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 推荐结果的重排序方法 | 第46-57页 |
| 4.1 问题的提出 | 第46页 |
| 4.2 引入物品流行度的重排序方法 | 第46-48页 |
| 4.2.1 推荐列表中的物品流行度 | 第46-47页 |
| 4.2.2 重排序策略 | 第47-48页 |
| 4.3 引入反向推荐思想的重排序方法 | 第48-52页 |
| 4.3.1 反向推荐思想 | 第48-49页 |
| 4.3.2 反向推荐得分值 | 第49-50页 |
| 4.3.3 重排序策略 | 第50-52页 |
| 4.4 算法性能评测 | 第52-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 多样性评价指标设计 | 第57-66页 |
| 5.1 问题的提出 | 第57-58页 |
| 5.2 新的多样性评价指标 | 第58-61页 |
| 5.3 新的准确率和多样性复合指标 | 第61-65页 |
| 5.4 本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 全文总结 | 第66-67页 |
| 6.2 后续工作展望 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士学位期间取得的成果 | 第73页 |
