基于用户购物信息的个性化推荐系统的模型和算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外概况和发展趋势 | 第10-12页 |
| 1.3 论文主要研究内容 | 第12-13页 |
| 1.4 论文的结构安排 | 第13-14页 |
| 第二章 相关技术知识介绍 | 第14-28页 |
| 2.1 数据挖掘概述 | 第14-18页 |
| 2.1.1 数据挖掘的任务 | 第14-15页 |
| 2.1.2 数据挖掘流程 | 第15-17页 |
| 2.1.3 web数据挖掘 | 第17-18页 |
| 2.2 个性化推荐系统研究现状 | 第18-23页 |
| 2.2.1 基于内容的推荐 | 第18-19页 |
| 2.2.2 协同过滤算法 | 第19-23页 |
| 2.3 并行计算框架介绍 | 第23-27页 |
| 2.3.1 分布式文件系统 | 第23-25页 |
| 2.3.2 MapReduce技术介绍 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于平衡参数的协同过滤算法 | 第28-42页 |
| 3.1 协同过滤的稀疏性问题 | 第28-29页 |
| 3.2 稀疏性对推荐系统的影响 | 第29-31页 |
| 3.2.1 相似度的缺失 | 第29页 |
| 3.2.2 不准确的最近邻居 | 第29-30页 |
| 3.2.3 预测值精度的缺失 | 第30-31页 |
| 3.3 平衡参数 | 第31-33页 |
| 3.3.1 平衡参数的作用 | 第31-32页 |
| 3.3.2 平衡参数 | 第32-33页 |
| 3.4 改进的相似度算法 | 第33-34页 |
| 3.5 实验与分析 | 第34-41页 |
| 3.5.1 实验数据集以及数据集的预处理 | 第34-38页 |
| 3.5.2 平衡参数的权重数值的计算 | 第38-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第四章 基于时间感知标签的推荐算法的设计与实现 | 第42-56页 |
| 4.1 标签系统综述 | 第42-44页 |
| 4.1.1 标签的概述 | 第42-44页 |
| 4.2 标签的主要特性 | 第44页 |
| 4.3 标签的使用 | 第44-45页 |
| 4.3.1 标签用于分类 | 第44-45页 |
| 4.3.2 标签用于资源检索 | 第45页 |
| 4.4 基于时间感知标签模型 | 第45-47页 |
| 4.5 基于时间感知标签的推荐算法 | 第47-51页 |
| 4.5.1 用户偏好分析 | 第47-49页 |
| 4.5.2 相似度计算 | 第49页 |
| 4.5.3 个性化用户推荐 | 第49-51页 |
| 4.6 实验与分析 | 第51-55页 |
| 4.6.1 评估指标 | 第51-52页 |
| 4.6.2 算法性能评估 | 第52-55页 |
| 4.7 本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 本文总结 | 第56-57页 |
| 5.2 未来展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第61-62页 |
| 致谢 | 第62页 |
