基于协同过滤的推荐算法研究

摘要	第1-7页
ABSTRACT	第7-16页
第一章 绪论	第16-26页
·研究背景	第16-17页
·推荐系统及协同过滤简介	第17-22页
·推荐系统	第17-19页
·协同过滤	第19-22页
·研究现状和难点	第22-24页
·本论文的主要贡献	第24页
·本论文的主要研究内容和组织结构	第24-26页
第二章 研究现状及相关工作	第26-36页
·基于内存的方法	第26-29页
·基于内存的Top-N推荐算法	第26-27页
·基于缺省标注填充的协同过滤算法	第27页
·基于逆用户频率的协同过滤算法	第27-28页
·基于虚拟值估算的协同过滤算法	第28页
·基于加权主用户预测的协同过滤算法	第28-29页
·基于模型的方法	第29-34页
·基于贝叶斯信念网络的协同过滤算法	第29-31页
·基于聚类模型的协同过滤算法	第31-32页
·基于回归模型的协同过滤算法	第32-33页
·基于隐语义模型的协同过滤算法	第33-34页
·本章小结	第34-36页
第三章 正负标注模式下基于变权重的用户相似度模型	第36-50页
·引言	第36页
·现有的相似度评价标准	第36-40页
·基于皮尔森相关系数的相似度模型	第37页
·基于欧氏向量空间的相似度模型	第37-39页
·基于杰卡德相关系数的相似度模型	第39-40页
·现有相似度评价标准的不足之处	第40-41页
·基于变权重的相似度模型	第41-45页
·平衡正负标注的影响	第43-44页
·平滑共同标注项目过少情况下的相似度	第44-45页
·实验设计及分析	第45-49页
·数据集及评价标准	第45-47页
·实验方案设计	第47页
·实验结果及分析	第47-49页
·本章小结	第49-50页
第四章 融合社交网络信息的协同过滤算法	第50-72页
·引言	第50页
·社交网络推荐系统简介	第50-59页
·社交网络中的实体推荐	第51-54页
·基于用户社交网络信任关系的推荐	第54-57页
·基于用户活动及信息流的推荐	第57-58页
·社交网络推荐中的冷启动问题	第58-59页
·融合社交网络信息的协同过滤算法	第59-68页
·问题的定义	第59-60页
·算法的整体框架描述	第60-62页
·基于社交网络信息的用户相似度模型	第62-65页
·融合社交网络信息的邻居选择算法	第65-66页
·缺失值预测处理	第66-67页
·推荐函数	第67-68页
·实验设计及分析	第68-71页
·数据集及评价标准	第68-69页
·实验方案设计	第69页
·实验结果分析	第69-71页
·本章小结	第71-72页
第五章 融合基于用户和基于项目方法的机器学习框架	第72-92页
·引言	第72页
·基于用户和基于项目的协同过滤算法	第72-79页
·两种不同的假设	第72-73页
·基于内存的实现方法和基于模型的实现方法	第73-77页
·融合基于用户和基于项目方法的协同过滤算法	第77-79页
·堆叠回归	第79-81页
·基于堆叠回归的两层机器学习框架	第81-86页
·整体框架描述	第81页
·第一层	第81-83页
·第二层	第83-84页
·局部融合	第84-86页
·实验设计及分析	第86-90页
·数据集及评价标准	第86页
·实验设计	第86-87页
·实验结果及分析	第87-90页
·本章小结	第90-92页
第六章 总结与展望	第92-96页
·总结	第92-93页
·研究内容	第92-93页
·创新点	第93页
·未来展望	第93-96页
参考文献	第96-104页
致谢	第104-106页
在读期间发表的学术论文与取得的研究成果	第106页