个性化推荐系统中基于用户的协同过滤算法与系统架构的研究与优化
| 摘要 | 第10-11页 |
| ABSTRACT | 第11-12页 |
| 第一章 绪论 | 第13-18页 |
| 1.1 课题的研究背景与意义 | 第13-14页 |
| 1.2 推荐系统国内外研究与应用现状 | 第14-16页 |
| 1.2.1 研究现状 | 第14-15页 |
| 1.2.2 应用现状 | 第15-16页 |
| 1.3 本论文的主要研究内容 | 第16-17页 |
| 1.4 本论文的章节安排 | 第17-18页 |
| 第二章 推荐系统 | 第18-25页 |
| 2.1 推荐系统概要 | 第18-20页 |
| 2.1.1 系统组成 | 第18-19页 |
| 2.1.2 关键问题 | 第19-20页 |
| 2.2 推荐系统分类 | 第20-24页 |
| 2.2.1 基于协同过滤的推荐系统 | 第20-21页 |
| 2.2.2 基于内容的推荐系统 | 第21-22页 |
| 2.2.3 基于隐语义模型的推荐系统 | 第22页 |
| 2.2.4 基于标签的推荐系统 | 第22-23页 |
| 2.2.5 基于人口统计信息的推荐系统 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第三章 数据挖掘与机器学习概述 | 第25-29页 |
| 3.1 数据挖掘技术 | 第25-27页 |
| 3.1.1 数据挖掘基础 | 第25页 |
| 3.1.2 数据挖掘过程 | 第25-26页 |
| 3.1.3 数据挖掘主要工具 | 第26-27页 |
| 3.2 机器学习与自然语言处理 | 第27-28页 |
| 3.2.1 机器学习基础 | 第27页 |
| 3.2.2 评估方法 | 第27页 |
| 3.2.3 自然语言处理基础 | 第27-28页 |
| 3.3 本章小结 | 第28-29页 |
| 第四章 推荐系统架构的研究与优化 | 第29-37页 |
| 4.1 现有的基于特征的推荐系统架构 | 第29-31页 |
| 4.2 基于融合参数自适应的推荐系统设计 | 第31-36页 |
| 4.2.1 基于融合参数自适应的推荐系统架构研究 | 第31-34页 |
| 4.2.2 自适应反馈机制工作流程 | 第34-35页 |
| 4.2.3 基于融合参数自适应的推荐系统的意义 | 第35-36页 |
| 4.3 本章小结 | 第36-37页 |
| 第五章 基于协同过滤的改进算法研究 | 第37-70页 |
| 5.1 现有的协同过滤算法流程 | 第38-40页 |
| 5.2 相似度计算方式 | 第40-43页 |
| 5.2.1 欧式距离相似度 | 第40页 |
| 5.2.2 余弦相似度 | 第40-41页 |
| 5.2.3 皮尔逊相似度 | 第41页 |
| 5.2.4 Jaccard系数 | 第41-42页 |
| 5.2.5 改进的用户间相似度计算方式 | 第42-43页 |
| 5.3 基于栏目与惩罚度相融合的协同过滤算法 | 第43-46页 |
| 5.3.1 栏目定义 | 第43页 |
| 5.3.2 算法流程 | 第43-46页 |
| 5.4 基于LDA特征提取的协同过滤算法 | 第46-55页 |
| 5.4.1 LDA主题模型 | 第47-48页 |
| 5.4.2 特征提取 | 第48-49页 |
| 5.4.3 算法流程 | 第49-55页 |
| 5.5 仿真与性能分析 | 第55-69页 |
| 5.5.1 数据集 | 第55-56页 |
| 5.5.2 训练集与测试集划分 | 第56页 |
| 5.5.3 评测指标 | 第56-58页 |
| 5.5.4 仿真实验设计 | 第58-59页 |
| 5.5.5 仿真结果分析 | 第59-69页 |
| 5.6 本章小结 | 第69-70页 |
| 第六章 总结和展望 | 第70-72页 |
| 6.1 总结 | 第70-71页 |
| 6.2 展望 | 第71-72页 |
| 参考文献 | 第72-79页 |
| 致谢 | 第79-80页 |
| 攻读学位期间的学术成果 | 第80-82页 |
| 学位论文评阅及答辩情况表 | 第82页 |
