一种缓解推荐偏好的个性化推荐算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 搜索系统与推荐系统 | 第9-10页 |
| 1.2 推荐系统概况 | 第10-14页 |
| 1.2.1 协同过滤推荐系统 | 第11-13页 |
| 1.2.2 基于内容的推荐系统 | 第13-14页 |
| 1.2.3 其他的改进算法 | 第14页 |
| 1.3 推荐系统面临的问题 | 第14-15页 |
| 1.4 本课题研究的意义和内容 | 第15-16页 |
| 1.5 论文的组织构架 | 第16-18页 |
| 第2章 推荐系统的组成和效率评价 | 第18-30页 |
| 2.1 推荐系统的组成 | 第18-22页 |
| 2.1.1 用户建模模块 | 第18-20页 |
| 2.1.2 对象建模模块 | 第20-21页 |
| 2.1.3 推荐算法模块 | 第21-22页 |
| 2.2 推荐效率的评价指标 | 第22-26页 |
| 2.2.1 推荐准确性指标 | 第23-24页 |
| 2.2.2 覆盖率指标 | 第24页 |
| 2.2.3 推荐多样性指标 | 第24-26页 |
| 2.2.4 推荐新颖性指标 | 第26页 |
| 2.3 实验数据集 | 第26-28页 |
| 2.3.1 数据集 MovieLens | 第27页 |
| 2.3.2 数据集 Netflix | 第27-28页 |
| 2.3.3 数据集 RYM | 第28页 |
| 2.4 本章小结 | 第28-30页 |
| 第3章 基于复杂网络的推荐算法研究 | 第30-43页 |
| 3.1 复杂网络概述 | 第30-33页 |
| 3.1.1 复杂网络的特性 | 第30-31页 |
| 3.1.2 复杂网络与数据集分析 | 第31-33页 |
| 3.2 基于复杂网络的推荐算法 | 第33-41页 |
| 3.2.1 基于网络的协同过滤的推荐算法 | 第33-35页 |
| 3.2.2 物质扩散推荐算法 | 第35-37页 |
| 3.2.3 热传导推荐算法 | 第37-39页 |
| 3.2.4 偏好热传导算法 | 第39-40页 |
| 3.2.5 物质扩散和热传导的混合推荐算法 | 第40-41页 |
| 3.3 几种基于复杂网络的推荐算法的性能评价 | 第41-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第4章 缓解推荐偏好的个性化推荐算法 | 第43-64页 |
| 4.1 缓解推荐偏好的个性化推荐算法 | 第43-45页 |
| 4.2 算法实现流程 | 第45-47页 |
| 4.3 实验结果 | 第47-63页 |
| 4.3.1 算法准确度的比较 | 第49-51页 |
| 4.3.2 算法个性化和新颖性的比较 | 第51-53页 |
| 4.3.3 实验结果的鲁棒性 | 第53-55页 |
| 4.3.4 T 检验 | 第55-56页 |
| 4.3.5 算法的分析 | 第56-59页 |
| 4.3.6 冷门对象的准确度 | 第59-63页 |
| 4.4 本章小结 | 第63-64页 |
| 第5章 总结与展望 | 第64-66页 |
| 5.1 论文的主要工作总结 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 发表论文 | 第70-71页 |
| 致谢 | 第71-72页 |
