基于SVR的协同过滤方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 国内外动态分析 | 第12-15页 |
| 1.2.1 数据稀疏性 | 第12-13页 |
| 1.2.2 隐式反馈 | 第13页 |
| 1.2.3 冷启动和主动学习 | 第13-14页 |
| 1.2.4 推荐系统的鲁棒性 | 第14-15页 |
| 1.2.5 其它细分领域 | 第15页 |
| 1.3 本文主要工作及章节安排 | 第15-17页 |
| 1.3.1 本文的主要研究内容 | 第15-16页 |
| 1.3.2 本文的组织结构 | 第16-17页 |
| 第二章 协同过滤相关算法基础 | 第17-23页 |
| 2.1 基于记忆的协同过滤 | 第17-18页 |
| 2.2 基于模型的协同过滤 | 第18页 |
| 2.3 支持向量回归 | 第18-21页 |
| 2.4 神经网络和神经自回归 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 基于稀疏分段的协同过滤推荐算法 | 第23-34页 |
| 3.1 引言 | 第23-24页 |
| 3.2 本文算法 | 第24-29页 |
| 3.2.1 算法思想 | 第24页 |
| 3.2.2 算法描述 | 第24-28页 |
| 3.2.3 时间和空间复杂度分析 | 第28-29页 |
| 3.3 实验结果与分析 | 第29-32页 |
| 3.3.1 实验环境 | 第29页 |
| 3.3.2 算法预测误差标准 | 第29页 |
| 3.3.3 对比实验分析 | 第29-32页 |
| 3.4 本章小结 | 第32-34页 |
| 第四章 基于深度支持向量回归的协同过滤推荐算法 | 第34-46页 |
| 4.1 引言 | 第34-35页 |
| 4.2 本文算法 | 第35-40页 |
| 4.2.1 算法描述 | 第35-39页 |
| 4.2.2 基于CF-NSVADE的方法分析 | 第39-40页 |
| 4.3 实验结果与分析 | 第40-44页 |
| 4.3.1 实验环境 | 第40页 |
| 4.3.2 数据集和算法预测误差标准 | 第40-41页 |
| 4.3.3 对比实验验证与分析 | 第41-44页 |
| 4.4 本章小结 | 第44-46页 |
| 第五章 基于Top-N的协同过滤推荐应用 | 第46-52页 |
| 5.1 算法介绍 | 第46-48页 |
| 5.1.1 Top-N推荐方法步骤 | 第46-47页 |
| 5.1.2 推荐长尾物品 | 第47-48页 |
| 5.2 Top-N推荐实验结果 | 第48-51页 |
| 5.2.1 实验环境与评价指标 | 第48-49页 |
| 5.2.2 实验结果与分析 | 第49-51页 |
| 5.3 本章小结 | 第51-52页 |
| 第六章 结束语 | 第52-54页 |
| 6.1 工作总结 | 第52页 |
| 6.2 展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 作者简介 | 第60页 |
| 1、个人情况 | 第60页 |
| 2、发表论文 | 第60页 |
| 3、科研项目 | 第60页 |
