一种改进的协同过滤技术在视频推荐中的应用
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-11页 |
| 第1章 绪论 | 第11-18页 |
| ·研究背景 | 第11-13页 |
| ·个性化推荐技术的研究现状 | 第13-15页 |
| ·本课题的研究意义和主要工作 | 第15-16页 |
| ·论文结构 | 第16-17页 |
| ·本章小结 | 第17-18页 |
| 第2章 个性化推荐系统及其相关技术 | 第18-29页 |
| ·个性化推荐系统的定义及框架 | 第18-20页 |
| ·个性化推荐技术 | 第20-25页 |
| ·基于内容的推荐技术 | 第20-21页 |
| ·基于关联规则的推荐技术 | 第21-23页 |
| ·协同过滤推荐技术 | 第23-24页 |
| ·组合推荐技术 | 第24-25页 |
| ·个性化推荐技术的评价 | 第25-27页 |
| ·个性化推荐技术面临的挑战 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 传统的协同过滤推荐技术 | 第29-36页 |
| ·基于用户的协同过滤推荐技术 | 第29-31页 |
| ·基于项目的协同过滤推荐技术 | 第31-32页 |
| ·基于降维的协同过滤推荐技术 | 第32-34页 |
| ·基于聚类的协同过滤推荐技术 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第4章 提高视频推荐结果准确性方面的改进 | 第36-54页 |
| ·协同过滤技术在视频推荐中的准确性问题 | 第36-38页 |
| ·用户显式评分的不可靠性 | 第36-37页 |
| ·计算模型中被忽略的时间因素 | 第37页 |
| ·已有的改进方案及存在的问题 | 第37-38页 |
| ·针对视频项目的隐式评分获取方案 | 第38-43页 |
| ·用户-视频隐式评分的自动获取 | 第38-41页 |
| ·用户-分类隐式评分的自动获取 | 第41-43页 |
| ·计算模型中引入时间因素 | 第43-48页 |
| ·基于兴趣偏差的评分效用衰减模型 | 第44-46页 |
| ·基于视频时效性的项目价值衰减模型 | 第46-48页 |
| ·实验与分析 | 第48-52页 |
| ·实验数据集 | 第49页 |
| ·评分效用衰减加权实验 | 第49-50页 |
| ·项目价值衰减加权实验 | 第50-52页 |
| ·在线真实环境下测试 | 第52页 |
| ·本章小结 | 第52-54页 |
| 第5章 提高视频推荐效率方面的改进 | 第54-69页 |
| ·协同过滤技术在视频推荐中的效率问题 | 第54-55页 |
| ·准备工作 | 第55-59页 |
| ·评分矩阵的划分及存储 | 第56-57页 |
| ·分类最近邻计算 | 第57-59页 |
| ·基于上下文的分布式协同过滤推荐技术 | 第59-65页 |
| ·系统架构 | 第60页 |
| ·项目最近邻生成 | 第60-63页 |
| ·项目评分预测 | 第63-65页 |
| ·实验与分析 | 第65-68页 |
| ·静态数据集实验 | 第65-67页 |
| ·在线真实环境测试 | 第67-68页 |
| ·本章小结 | 第68-69页 |
| 第6章 总结与展望 | 第69-71页 |
| ·全文总结 | 第69页 |
| ·工作展望 | 第69-71页 |
| 参考文献 | 第71-76页 |
| 攻读学位期间的研究成果目录 | 第76-77页 |
| 致谢 | 第77页 |
