基于用户行为的动态推荐系统算法研究及实现
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 引言 | 第11-17页 |
| ·研究背景与意义 | 第11-14页 |
| ·国内外研究现状 | 第14-15页 |
| ·本文工作 | 第15-16页 |
| ·论文的组织结构 | 第16-17页 |
| 第二章 推荐系统相关技术 | 第17-29页 |
| ·推荐系统的发展 | 第17-19页 |
| ·传统推荐系统算法 | 第19-24页 |
| ·内容过滤 | 第19-20页 |
| ·协同过滤 | 第20-22页 |
| ·社交网络过滤 | 第22-23页 |
| ·地理过滤 | 第23页 |
| ·混合过滤 | 第23-24页 |
| ·推荐系统评价指标 | 第24-26页 |
| ·HADOOP | 第26-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 推荐系统的动态性分析 | 第29-53页 |
| ·推荐系统的动态性 | 第29-30页 |
| ·用户行为与用户兴趣 | 第30-31页 |
| ·用户行为与兴趣的关系 | 第30-31页 |
| ·用户行为分类 | 第31页 |
| ·浏览行为 | 第31-43页 |
| ·一种基于 PV 的用户兴趣模型 | 第32-34页 |
| ·实验步骤 | 第34页 |
| ·实验分析 | 第34-43页 |
| ·评论行为 | 第43-49页 |
| ·评论的情感分析 | 第44-45页 |
| ·实验分析 | 第45-49页 |
| ·评分行为 | 第49-50页 |
| ·评论行为与评分行为的关系 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 第四章 基于兴趣流的动态推荐模型 | 第53-76页 |
| ·用户行为及其变化的表达 | 第53-56页 |
| ·单一用户模型 | 第56-58页 |
| ·多用户模型 | 第58-60页 |
| ·预测评分问题分析 | 第60-69页 |
| ·实验数据与步骤 | 第60-61页 |
| ·用户兴趣倾向分析 | 第61-66页 |
| ·实验对比 | 第66-68页 |
| ·实验小结 | 第68-69页 |
| ·TOP-N 问题分析 | 第69-75页 |
| ·实验步骤 | 第69-70页 |
| ·实验评价标准 | 第70-71页 |
| ·实验对比 | 第71-74页 |
| ·实验小结 | 第74-75页 |
| ·本章小结 | 第75-76页 |
| 第五章 基于 HADOOP 的微博动态推荐系统 | 第76-89页 |
| ·系统架构 | 第76-77页 |
| ·系统主要模块 | 第77-80页 |
| ·用户模块 | 第78-79页 |
| ·云计算模块 | 第79-80页 |
| ·推荐模块 | 第80页 |
| ·系统类图设计 | 第80-84页 |
| ·系统实现 | 第84-86页 |
| ·搭建 Hadoop 平台 | 第84页 |
| ·推荐模块 | 第84-86页 |
| ·系统测试 | 第86-88页 |
| ·本章小结 | 第88-89页 |
| 第六章 结束语 | 第89-91页 |
| ·本文工作 | 第89-90页 |
| ·展望 | 第90-91页 |
| 致谢 | 第91-92页 |
| 参考文献 | 第92-96页 |
