基于随机森林和boosting思想的推荐算法的研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究背景发展 | 第10-15页 |
| 1.1.1 推荐系统理论的产生和发展 | 第11-12页 |
| 1.1.2 推荐系统理论的特点与应用 | 第12-13页 |
| 1.1.3 推荐系统及其算法的研究现状 | 第13-15页 |
| 1.1.4 推荐系统的相关研究 | 第15页 |
| 1.2 论文研究的目的和意义 | 第15-16页 |
| 1.3 论文的主要创新点 | 第16-17页 |
| 1.4 论文的组织和安排 | 第17-18页 |
| 第2章 推荐系统的相关介绍 | 第18-26页 |
| 2.1 用户行为数据表示 | 第18-20页 |
| 2.1.1 用户行为的分类 | 第18-19页 |
| 2.1.2 时间上下文信息 | 第19-20页 |
| 2.2 数据预处理 | 第20-21页 |
| 2.2.1 数据聚集 | 第20页 |
| 2.2.2 数据抽样 | 第20页 |
| 2.2.3 数据噪声过滤 | 第20-21页 |
| 2.3 推荐系统评测的基本概念 | 第21-24页 |
| 2.3.1 预测准确率 | 第21页 |
| 2.3.2 覆盖率 | 第21-22页 |
| 2.3.3 推荐的多样性 | 第22-23页 |
| 2.3.4 其他的一些评测标准 | 第23-24页 |
| 2.4 冷启动和长尾效应的基本概念 | 第24页 |
| 2.5 本章小结 | 第24-26页 |
| 第3章 一种新的基于时间分布的特征集模型构造方法 | 第26-32页 |
| 3.1 前言 | 第26-27页 |
| 3.2 基于不同维度特征选取 | 第27-29页 |
| 3.2.1 基于用户维度的特征选取介绍 | 第27-28页 |
| 3.2.2 基于物品维度的特征选取介绍 | 第28页 |
| 3.2.3 基于用户物品交互行为的特征选取介绍 | 第28-29页 |
| 3.3 时间因子对人类影响研究 | 第29-30页 |
| 3.4 深度挖掘行为特征集的构建 | 第30-31页 |
| 3.5 总结归纳 | 第31-32页 |
| 第4章 回归树模型算法介绍 | 第32-42页 |
| 4.1 前言 | 第32-33页 |
| 4.2 分类树和回归树模型基本概念 | 第33-34页 |
| 4.3 随机森林基本概念 | 第34-36页 |
| 4.4 基于BOOSTING思想的算法介绍 | 第36-40页 |
| 4.5 SHRINKAGE思想的算法实现和改进 | 第40-41页 |
| 4.6 分析和总结 | 第41-42页 |
| 第5章 基于随机森林和迭代树的算法融合及应用 | 第42-49页 |
| 5.1 前言 | 第42页 |
| 5.2 数据集及其分析 | 第42-43页 |
| 5.3 评测标准选取及其特征选取 | 第43-45页 |
| 5.3.1 评测标准的选取 | 第43-44页 |
| 5.3.2 特征的选取及其分析 | 第44页 |
| 5.3.3 参数的配置及其分析 | 第44-45页 |
| 5.4 基于GBDT和随机森林的算法实现和分析 | 第45-46页 |
| 5.5 实验结果分析 | 第46-48页 |
| 5.6 结束语 | 第48-49页 |
| 第6章 结论与展望 | 第49-51页 |
| 6.1 全文总结 | 第49页 |
| 6.2 未来工作展望 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55-56页 |
