基于用户行为分析和混合推荐策略的个性化推荐方法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-12页 |
| 第1章 绪论 | 第12-16页 |
| 1.1 研究背景 | 第12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 国外个性化推荐系统的研究现状 | 第12-13页 |
| 1.2.2 国内个性化推荐系统的研究现状 | 第13-14页 |
| 1.3 主要方法 | 第14页 |
| 1.4 解决的关键问题 | 第14-15页 |
| 1.5 主要研究内容 | 第15页 |
| 1.6 章节安排 | 第15-16页 |
| 第2章 个性化推荐系统概述 | 第16-28页 |
| 2.1 个性化推荐系统简介 | 第16页 |
| 2.2 个性化推荐系统结构 | 第16-17页 |
| 2.3 个性化推荐算法 | 第17-21页 |
| 2.3.1 基于内容的推荐算法 | 第17-18页 |
| 2.3.2 协同过滤推荐算法 | 第18-20页 |
| 2.3.3 基于关联规则的推荐算法 | 第20页 |
| 2.3.4 基于网络结构的推荐算法 | 第20-21页 |
| 2.3.5 基于矩阵分解的推荐算法 | 第21页 |
| 2.4 个性化推荐系统测评指标 | 第21-23页 |
| 2.4.1 用户满意度 | 第21页 |
| 2.4.2 预测准确率 | 第21-22页 |
| 2.4.3 覆盖率 | 第22-23页 |
| 2.4.4 多样性 | 第23页 |
| 2.4.5 新颖性 | 第23页 |
| 2.4.6 实时性 | 第23页 |
| 2.5 推荐结果展示 | 第23-26页 |
| 2.5.1 关联项推荐结果展示 | 第23-24页 |
| 2.5.2 Top-N 推荐 | 第24-26页 |
| 2.6 混合推荐策略 | 第26-27页 |
| 2.6.1 推荐结果混合 | 第26页 |
| 2.6.2 推荐算法切换 | 第26页 |
| 2.6.3 推荐算法混合 | 第26-27页 |
| 2.7 本章小结 | 第27-28页 |
| 第3章 项目数据处理与用户模型构建 | 第28-44页 |
| 3.1 视频数据处理 | 第28页 |
| 3.2 视频原始数据获取 | 第28-30页 |
| 3.3 视频数据清洗 | 第30-32页 |
| 3.3.1 错误数据处理 | 第30页 |
| 3.3.2 格式统一 | 第30页 |
| 3.3.3 重复数据处理 | 第30-31页 |
| 3.3.4 数据合成 | 第31-32页 |
| 3.4 数据关联 | 第32-33页 |
| 3.4.1 数据结构化 | 第32页 |
| 3.4.2 数据更新 | 第32-33页 |
| 3.5 用户行为分析数据说明 | 第33-34页 |
| 3.6 人口统计学信息 | 第34页 |
| 3.7 用户行为分析 | 第34-41页 |
| 3.7.1 用户行为统计 | 第35页 |
| 3.7.2 用户行为关联数据整合 | 第35-36页 |
| 3.7.3 整体用户分析 | 第36-38页 |
| 3.7.4 频道用户活跃度分析 | 第38-40页 |
| 3.7.5 用户偏好分析 | 第40-41页 |
| 3.8 用户模型构建 | 第41-43页 |
| 3.8.1 用户模型表示 | 第41-42页 |
| 3.8.2 分组向量空间模型 | 第42页 |
| 3.8.3 用户偏好模型的生成 | 第42-43页 |
| 3.8.4 用户偏好模型的更新 | 第43页 |
| 3.9 本章小结 | 第43-44页 |
| 第4章 推荐系统设计与主要算法 | 第44-56页 |
| 4.1 视频推荐系统 | 第44页 |
| 4.2 个性化推荐系统整体设计 | 第44-47页 |
| 4.2.1 个性化推荐系统架构 | 第44-45页 |
| 4.2.2 个性化推荐系统工作流程 | 第45-47页 |
| 4.3 混合推荐设计 | 第47页 |
| 4.4 特征权重优化算法 | 第47-48页 |
| 4.5 基于用户的协同过滤推荐算法设计与优化 | 第48-50页 |
| 4.5.1 输入输出数据模型 | 第48页 |
| 4.5.2 基于用户的协同过滤推荐算法设计 | 第48-49页 |
| 4.5.3 相似性度量方法优化 | 第49-50页 |
| 4.6 基于内容的推荐算法 | 第50-51页 |
| 4.6.1 基于内容的推荐算法流程设计 | 第50页 |
| 4.6.2 基于内容的推荐算法的项目模型 | 第50-51页 |
| 4.6.3 基于内容的推荐算法用户模型 | 第51页 |
| 4.7 基于项目关联和内容相似的混合推荐算法 | 第51-53页 |
| 4.7.1 混合推荐算法 | 第51-52页 |
| 4.7.2 基于内容的相似度分析 | 第52-53页 |
| 4.7.3 基于项目协同的项目关联度分析 | 第53页 |
| 4.7.4 加权相似度混合 | 第53页 |
| 4.8 关联规则推荐算法 | 第53页 |
| 4.9 本章小结 | 第53-56页 |
| 第5章 实验结果分析 | 第56-64页 |
| 5.1 实验数据来源 | 第56页 |
| 5.2 协同过滤推荐算法 | 第56-58页 |
| 5.2.1 相似性度量 | 第56-57页 |
| 5.2.2 相似用户个数对推荐结果的影响 | 第57-58页 |
| 5.3 基于内容的推荐 | 第58-59页 |
| 5.3.1 权重优化 | 第58-59页 |
| 5.3.2 推荐效果分析 | 第59页 |
| 5.4 基于项目协同和内容相似的混合推荐算法 | 第59-60页 |
| 5.4.1 混合相似度计算对推荐结果的影响 | 第60页 |
| 5.4.2 推荐效果对比 | 第60页 |
| 5.5 基于用户的协同过滤和基于内容的结果混合 | 第60-61页 |
| 5.6 混合推荐效果对比 | 第61-63页 |
| 5.7 本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间发表的学术论文 | 第70-72页 |
| 致谢 | 第72页 |
