基于经验学习的自适应推荐算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-15页 |
| 1.1 研究背景与意义 | 第8-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.3 研究内容 | 第12-13页 |
| 1.4 论文结构 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 2 搜索推荐算法理论基础 | 第15-23页 |
| 2.1 推荐算法综述 | 第15-19页 |
| 2.1.1 推荐系统中的数据挖掘 | 第15-17页 |
| 2.1.2 基于内容的推荐系统 | 第17-18页 |
| 2.1.3 基于近邻推荐方法综述 | 第18页 |
| 2.1.4 基于协同过滤的推荐算法 | 第18-19页 |
| 2.2 搜索排序算法简介 | 第19-21页 |
| 2.3 参数估计简介 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 3 自适应蚁群算法设计 | 第23-33页 |
| 3.1 粒子群算法简述 | 第23-25页 |
| 3.2 蚁群算法简述 | 第25-29页 |
| 3.2.1 蚁群觅食模型 | 第25-26页 |
| 3.2.2 ACO的数学表述 | 第26-29页 |
| 3.2.3 蚁群算法的一些特性 | 第29页 |
| 3.3 改进的蚁群算法SAACO | 第29-32页 |
| 3.4 本章小结 | 第32-33页 |
| 4 基于经验学习的推荐算法设计 | 第33-45页 |
| 4.1 自学习推荐引擎架构设计 | 第33-37页 |
| 4.1.1 整体框架设计 | 第33-34页 |
| 4.1.2 索引器 | 第34-35页 |
| 4.1.3 Web Community | 第35页 |
| 4.1.4 经验学习器 | 第35-37页 |
| 4.2 算法主体设计 | 第37-39页 |
| 4.3 文档特征分值Fs的计算方法 | 第39-40页 |
| 4.4 经验分值Es的计算方法 | 第40-42页 |
| 4.5 矩阵R的计算方法 | 第42-44页 |
| 4.6 本章小结 | 第44-45页 |
| 5 参数估计和实验结果 | 第45-55页 |
| 5.1 算法评估方法 | 第45-46页 |
| 5.2 IMUSE参数估计实验设计及结果 | 第46-49页 |
| 5.3 实验结果及分析 | 第49-53页 |
| 5.3.1 实验数据 | 第49-51页 |
| 5.3.2 实验验证及结果分析 | 第51-53页 |
| 5.4 弱文档属性数据实验及分析 | 第53-54页 |
| 5.5 本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 攻读硕士学位期间发表学术论文情况 | 第59-60页 |
| 致谢 | 第60-61页 |
