基于协同过滤的推荐方法的研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-17页 |
| §1.1 研究背景及研究意义 | 第8-10页 |
| §1.1.1 研究背景 | 第8-9页 |
| §1.1.2 研究意义 | 第9-10页 |
| §1.2 国内外研究现状 | 第10-14页 |
| §1.2.1 国外研究现状 | 第11-12页 |
| §1.2.2 国内研究现状 | 第12-14页 |
| §1.3 协同推荐技术面临问题及挑战 | 第14-15页 |
| §1.4 论文的基本内容和结构 | 第15-17页 |
| 第二章 相关理论和技术 | 第17-35页 |
| §2.1 个性化推荐技术 | 第17-24页 |
| §2.1.1 基于内容过滤的推荐技术 | 第17-19页 |
| §2.1.2 协同过滤推荐技术 | 第19-21页 |
| §2.1.3 混合推荐技术 | 第21-23页 |
| §2.1.4 基于社会关系的推荐技术 | 第23页 |
| §2.1.5 其他推荐技术 | 第23-24页 |
| §2.2 协同过滤技术及分类 | 第24-33页 |
| §2.2.1 基于内存的协同过滤 | 第24-31页 |
| §2.2.2 基于模型的协同过滤 | 第31-33页 |
| §2.3 本章小结 | 第33-35页 |
| 第三章 基于内存的推荐方法的研究及改进 | 第35-44页 |
| §3.1 问题分析 | 第35页 |
| §3.2 优化的协同过滤算法 | 第35-39页 |
| §3.2.1 用户相似度的计算 | 第35-37页 |
| §3.2.2 用户局部偏见性的引入 | 第37-39页 |
| §3.2.3 产生推荐 | 第39页 |
| §3.3 实验结果与分析 | 第39-43页 |
| §3.3.1 数据集 | 第39-40页 |
| §3.3.2 度量标准 | 第40页 |
| §3.3.3 相关参数的确定 | 第40-42页 |
| §3.3.4 算法结果对比 | 第42-43页 |
| §3.4 本章小结 | 第43-44页 |
| 第四章 基于模型的推荐方法的研究及改进 | 第44-55页 |
| §4.1 问题分析 | 第44页 |
| §4.2 基于用户潜在时效偏好的推荐算法 | 第44-50页 |
| §4.2.1 用户潜在兴趣挖掘 | 第44-46页 |
| §4.2.2 用户兴趣迁移序列提取 | 第46-47页 |
| §4.2.3 基于用户潜在的时效偏好推荐方法 | 第47-50页 |
| §4.3 实验结果与分析 | 第50-54页 |
| §4.3.1 数据集 | 第50页 |
| §4.3.2 度量标准 | 第50-51页 |
| §4.3.3 算法结果对比 | 第51-54页 |
| §4.4 本章小结 | 第54-55页 |
| 第五章 基于概念漂移问题的扩展 | 第55-65页 |
| §5.1 问题分析 | 第55-56页 |
| §5.2 基于概念漂移的二阶段兴趣学习推荐算法 | 第56-59页 |
| §5.2.1 一阶段兴趣全局学习 | 第56-57页 |
| §5.2.2 二阶段兴趣个性化学习 | 第57-59页 |
| §5.3 实验结果与分析 | 第59-64页 |
| §5.3.1 数据集及度量标准 | 第59-60页 |
| §5.3.2 参数的预估 | 第60页 |
| §5.3.3 算法时序性的验证 | 第60-61页 |
| §5.3.4 算法结果对比 | 第61-63页 |
| §5.3.5 评分预测的抗稀疏性评估 | 第63-64页 |
| §5.4 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| §6.1 工作总结 | 第65页 |
| §6.2 未来展望 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 致谢 | 第73-74页 |
| 作者在攻读硕士学位期间的主要研究成果 | 第74页 |
