基于用户及群组特征的组推荐研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 注释表 | 第12-13页 |
| 缩略词 | 第13-14页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 研究背景 | 第14-15页 |
| 1.2 选题依据和意义 | 第15页 |
| 1.3 本文的主要工作 | 第15-16页 |
| 1.4 本文的组织结构 | 第16-18页 |
| 第二章 推荐系统的相关研究工作 | 第18-29页 |
| 2.1 推荐系统概述 | 第18-21页 |
| 2.1.1 推荐系统的概念及目标 | 第18-20页 |
| 2.1.2 推荐系统生态介绍 | 第20-21页 |
| 2.2 推荐系统常用方法 | 第21-24页 |
| 2.2.1 协同过滤 | 第21-22页 |
| 2.2.2 基于内容过滤 | 第22-23页 |
| 2.2.3 现有推荐方法存在的问题及发展方向 | 第23-24页 |
| 2.3 组推荐概述 | 第24-28页 |
| 2.3.1 组推荐简介 | 第24-25页 |
| 2.3.2 组推荐的偏好融合 | 第25-27页 |
| 2.3.3 组推荐相关研究 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 属性空间连续化的推荐方法 | 第29-44页 |
| 3.1 背景及问题描述 | 第29-30页 |
| 3.2 属性空间连续化的DASC算法 | 第30-38页 |
| 3.2.1 专家用户提取 | 第31-33页 |
| 3.2.2 DASC算法 | 第33-35页 |
| 3.2.3 DASC混合推荐 | 第35-36页 |
| 3.2.4 新用户及物品的处理方式 | 第36-38页 |
| 3.3 实验与性能评估 | 第38-43页 |
| 3.3.1 实验数据集及实验环境设置 | 第38页 |
| 3.3.2 评价体系 | 第38-39页 |
| 3.3.3 DASC推荐算法实验结果 | 第39-41页 |
| 3.3.4 M-DASC混合算法实验结果 | 第41-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 融合偏好交互的组推荐模型 | 第44-56页 |
| 4.1 背景及问题描述 | 第44-45页 |
| 4.2 融合偏好交互的组推荐模型 | 第45-52页 |
| 4.2.1 组成员间的偏好交互 | 第45-47页 |
| 4.2.2 融合偏好交互的组推荐偏好预测模型 | 第47-49页 |
| 4.2.3 模型在组推荐中的应用 | 第49-51页 |
| 4.2.4 模型在单用户推荐中的应用 | 第51-52页 |
| 4.3 实验及评估 | 第52-55页 |
| 4.3.1 实验数据集及实验环境设置 | 第52页 |
| 4.3.2 数据群组化预处理 | 第52-53页 |
| 4.3.3 评价体系 | 第53页 |
| 4.3.4 实验结果及评估 | 第53-55页 |
| 4.4 本章总结 | 第55-56页 |
| 第五章 基于用户及群组特征综合性组推荐算法实现 | 第56-66页 |
| 5.1 组推荐用户分类 | 第56-59页 |
| 5.1.1 组推荐用户分类概述 | 第56页 |
| 5.1.2 组推荐用户分类方法 | 第56-57页 |
| 5.1.3 偏好交互结合用户分类的组推荐方法 | 第57-59页 |
| 5.2 偏好交互式组推荐算法框架 | 第59-62页 |
| 5.2.1 偏好交互式组推荐系统框架介绍 | 第59-60页 |
| 5.2.2 与传统组推荐框架的对比 | 第60-62页 |
| 5.3 综合性IMDG组推荐系统 | 第62-64页 |
| 5.3.1 IMDG组推荐概述 | 第62页 |
| 5.3.2 IMDG算法及适用场景 | 第62-64页 |
| 5.3.3 实验及评估 | 第64页 |
| 5.4 本章小结 | 第64-66页 |
| 第六章 结束语 | 第66-68页 |
| 6.1 本文的主要工作和贡献 | 第66-67页 |
| 6.2 本文的不足和未来的研究方向 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 致谢 | 第73-74页 |
| 在学期间的研究成果及发表的学术论文 | 第74页 |
