中文摘要 | 第2-3页 |
Abstract | 第3-4页 |
中文文摘 | 第5-9页 |
第一章 绪论 | 第9-17页 |
1.1 课题来源 | 第9页 |
1.2 课题研究的背景及意义 | 第9-11页 |
1.3 国内外研究现状 | 第11-14页 |
1.3.1 国外研究现状 | 第11-12页 |
1.3.2 国内的研究现状 | 第12-13页 |
1.3.3 国内外推荐算法的研究及趋势 | 第13-14页 |
1.4 本文的主要贡献 | 第14-15页 |
1.5 论文组织 | 第15-17页 |
第二章 推荐系统及其模型分析 | 第17-29页 |
2.1 邻域模型 | 第17-21页 |
2.1.1 基于kNN的邻域模型 | 第17-19页 |
2.1.2 邻域关系模型 | 第19-21页 |
2.2 受限玻尔兹曼机 | 第21-23页 |
2.3 矩阵分解模型 | 第23-25页 |
2.3.1 Basic MF | 第23-24页 |
2.3.2 Biased MF | 第24-25页 |
2.3.3 Probabilistic MF(PMF) | 第25页 |
2.4 基于的图模型 | 第25-28页 |
2.4.1 基于资源分配矩阵的二部图算法 | 第25-27页 |
2.4.2 基于随机游走的二部图算法 | 第27-28页 |
2.4.3 二部图算法的不足及其改进 | 第28页 |
2.5 本章小结 | 第28-29页 |
第三章 基于分流策略的多图层推荐方法 | 第29-37页 |
3.1 分流策略 | 第29-34页 |
3.1.1 电流分流原理 | 第30-31页 |
3.1.2 基于分流原理资源动态分配规则 | 第31-32页 |
3.1.3 资源分配计算和推荐 | 第32-34页 |
3.2 基于分流原理的多图层混合策略 | 第34-35页 |
3.3 本章小结 | 第35-37页 |
第四章 基于分流策略和谱聚类的改进多图层推荐 | 第37-51页 |
4.1 谱聚类方法 | 第38-41页 |
4.2 图上的大规模谱聚类 | 第41-46页 |
4.2.1 超节点的产生 | 第41-42页 |
4.2.2 利用谱聚类减小图的规模 | 第42-44页 |
4.2.3 生成超级节点 | 第44-45页 |
4.2.4 复杂度分析 | 第45-46页 |
4.3 基于谱聚类增强的分流策略 | 第46-50页 |
4.3.1 利用kNN求解相似度矩阵W和拉普拉斯矩阵L | 第46-47页 |
4.3.2 图层上产生超级节点 | 第47页 |
4.3.3 基于谱聚类改进的SPHS | 第47-50页 |
4.4 本章小结 | 第50-51页 |
第五章 实验及分析 | 第51-63页 |
5.1 实验数据集 | 第51-53页 |
5.2 实验评测指标 | 第53-54页 |
5.3 基于分流策略的实验及分析 | 第54-56页 |
5.3.1 Netflix数据集上实验 | 第54-56页 |
5.3.2 MovieLens数据集上实验 | 第56页 |
5.4 基于谱聚类的改进SPHS实验及分析 | 第56-61页 |
5.5 本章小结 | 第61-63页 |
第六章 总结展望 | 第63-65页 |
参考文献 | 第65-71页 |
攻读学位期间承担的科研任务与主要成果 | 第71-73页 |
致谢 | 第73-75页 |
个人简历 | 第75-76页 |