摘要 | 第3-5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 |
1.1.1 研究背景 | 第9-10页 |
1.1.2 研究意义 | 第10页 |
1.2 研究现状 | 第10-12页 |
1.3 本文研究内容 | 第12-13页 |
1.4 本文组织结构 | 第13-14页 |
第二章 相关理论介绍 | 第14-23页 |
2.1 推荐算法综述 | 第14-15页 |
2.1.1 推荐算法分类 | 第14页 |
2.1.2 协同过滤推荐算法分类 | 第14-15页 |
2.2 协同过滤推荐算法 | 第15-18页 |
2.2.1 基于内容的推荐算法 | 第15页 |
2.2.2 基于协同过滤的推荐算法 | 第15-18页 |
2.3 协同过滤推荐算法存在的问题 | 第18-20页 |
2.3.1 准确性(Accuracy) | 第18-19页 |
2.3.2 数据稀疏性(Sparsity) | 第19页 |
2.3.3 冷启动(Cold start) | 第19-20页 |
2.3.4 可扩展性(Scalability) | 第20页 |
2.4 推荐算法效果的评估方法 | 第20-22页 |
2.4.1 平均绝对偏差(MAE) | 第20-21页 |
2.4.2 准确率(Precision) | 第21页 |
2.4.3 召回率(Recall) | 第21页 |
2.4.4 F-Measure | 第21-22页 |
2.4.5 敏感度(Roc) | 第22页 |
2.5 本章小结 | 第22-23页 |
第三章 基于项目相似度学习的协同过滤推荐算法研究 | 第23-30页 |
3.1 基于项目的协同过滤推荐算法描述 | 第23-24页 |
3.1.1 建立用户—项目评分矩阵 | 第23页 |
3.1.2 项目相似性度量方法 | 第23-24页 |
3.1.3 协同过滤推荐结果的产生 | 第24页 |
3.2 基于项目相似度学习的协同过滤推荐算法研究 | 第24-26页 |
3.2.1 项目属性相似性度量方法的描述 | 第24-25页 |
3.2.2 RBF神经网络简介 | 第25-26页 |
3.2.3 K-means算法的简介 | 第26页 |
3.3 基于项目相似度学习的协同过滤推荐算法(ISL-CF) | 第26-28页 |
3.3.1 算法分析 | 第26-27页 |
3.3.2 算法描述 | 第27-28页 |
3.4 解决项目冷启动问题的协同过滤推荐算法 | 第28-29页 |
3.5 本章小结 | 第29-30页 |
第四章 基于社交网络与标签的协同过滤推荐算法研究 | 第30-43页 |
4.1 基于用户的协同过滤推荐算法描述 | 第30页 |
4.2 社交网络知识描述 | 第30-32页 |
4.2.1 图的定义 | 第30页 |
4.2.2 有向图 | 第30页 |
4.2.3 图的存储—邻接矩阵表示法 | 第30页 |
4.2.4 广度优先搜索算法 | 第30-31页 |
4.2.5 社交网络理论基础 | 第31-32页 |
4.3 基于社交网络的协同过滤推荐算法研究 | 第32-38页 |
4.3.1 趋同性 | 第32页 |
4.3.2 问题描述 | 第32-33页 |
4.3.3 基于社交网络的协同过滤模型 | 第33-38页 |
4.4 基于人口统计学的推荐算法 | 第38-42页 |
4.4.1 概述 | 第38页 |
4.4.2 朴素贝叶斯分类 | 第38-41页 |
4.4.3 朴素贝叶斯算法复杂度分析 | 第41-42页 |
4.5 本章小结 | 第42-43页 |
第五章 实验设计与结果分析 | 第43-55页 |
5.1 实验数据 | 第43-44页 |
5.1.1 基于项目相似度学习的协同过滤推荐算法(ISL-CF)数据集 | 第43页 |
5.1.2 基于社交网络和标签的协同过滤推荐算法(SAT-CF)数据集 | 第43-44页 |
5.2 实验环境 | 第44页 |
5.3 实验过程与结果 | 第44-54页 |
5.3.1 ISL-CF算法的实验结果与分析 | 第44-50页 |
5.3.2 SAT-CF算法的实验结果与分析 | 第50-54页 |
5.4 本章小结 | 第54-55页 |
第六章 总结与展望 | 第55-57页 |
6.1 总结 | 第55-56页 |
6.2 展望 | 第56-57页 |
参考文献 | 第57-60页 |
附录 | 第60-61页 |
APPENDIX | 第61-63页 |
致谢 | 第63-64页 |
在读期间发表的学术论文和参与项目 | 第64页 |