| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 引言 | 第8-13页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文主要工作 | 第11-12页 |
| 1.4 本文的组织结构 | 第12-13页 |
| 第二章 相关技术概述与分析 | 第13-25页 |
| 2.1 协同过滤推荐技术 | 第13-17页 |
| 2.1.1 基于内存的协同过滤推荐技术 | 第13-15页 |
| 2.1.2 基于模型的协同过滤推荐技术 | 第15-17页 |
| 2.2 基于内容的推荐技术 | 第17-18页 |
| 2.2.1 基于内容的推荐算法过程 | 第17页 |
| 2.2.2 基于内容的推荐算法优缺点分析 | 第17-18页 |
| 2.3 基于上下文情景的推荐技术 | 第18-20页 |
| 2.3.1 相关概念 | 第18-19页 |
| 2.3.2 基于上下文情景的推荐过程 | 第19-20页 |
| 2.4 推荐系统冷启动问题概述 | 第20-22页 |
| 2.4.1 冷启动问题产生原因 | 第20-21页 |
| 2.4.2 推荐系统冷启动问题类型 | 第21-22页 |
| 2.5 推荐系统的评价指标 | 第22-24页 |
| 2.5.1 准确度指标 | 第22-23页 |
| 2.5.2 基于排序加权的指标 | 第23-24页 |
| 2.5.3 覆盖率 | 第24页 |
| 2.5.4 多样性与新颖性 | 第24页 |
| 2.6 本章小结 | 第24-25页 |
| 第三章 面向冷启动状态检测的“情景开关”方法 | 第25-36页 |
| 3.1 推荐算法分析 | 第25-26页 |
| 3.2 冷启动状态检测的“情景开关”方法研究 | 第26-33页 |
| 3.2.1 “情景开关”方法的基本思想 | 第27-28页 |
| 3.2.2 基于电影推荐的“情景开关”方法实现 | 第28-33页 |
| 3.3 实验与结果分析 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 融合用户相似度与评分信息的协同过滤算法研究 | 第36-45页 |
| 4.1 基于用户的协同过滤推荐算法分析 | 第36-37页 |
| 4.2 融合用户相似度与评分信息的协同过滤算法SR-CF设计 | 第37-42页 |
| 4.2.1 相关算法介绍 | 第38-40页 |
| 4.2.2 SR-CF算法描述及分析 | 第40-42页 |
| 4.3 SR-CF算法实验与结果分析 | 第42-44页 |
| 4.3.1 实验环境与数据集 | 第42页 |
| 4.3.2 实验结果分析 | 第42-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 基于因子分解机的上下文推荐算法研究 | 第45-56页 |
| 5.1 相关算法分析 | 第45-47页 |
| 5.1.1 奇异值分解技术 | 第45-46页 |
| 5.1.2 多项式回归算法分析 | 第46-47页 |
| 5.2 基于因子分解机的上下文推荐算法FMs设计与分析 | 第47-51页 |
| 5.2.1 因子分解机模型的定义 | 第47-48页 |
| 5.2.2 FMs算法流程 | 第48-51页 |
| 5.2.3 FMs算法时间复杂度分析 | 第51页 |
| 5.3 FMs算法实验与结果分析 | 第51-55页 |
| 5.3.1 实验环境与实验数据 | 第51-53页 |
| 5.3.2 实验结果分析 | 第53-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-59页 |
| 6.1 总结 | 第56-57页 |
| 6.2 展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第62-63页 |
| 致谢 | 第63页 |
