基于用户动态偏好的异构隐式反馈推荐算法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 推荐系统研究与应用现状 | 第13-15页 |
| 1.2.2 推荐系统相关算法研究 | 第15-17页 |
| 1.3 本文主要工作 | 第17-18页 |
| 1.4 本文的组织结构 | 第18-19页 |
| 第2章 相关工作 | 第19-31页 |
| 2.1 引言 | 第19页 |
| 2.2 术语记号定义与说明 | 第19-20页 |
| 2.3 基于协同过滤的推荐算法 | 第20-29页 |
| 2.3.1 基于近邻的协同过滤算法 | 第20-23页 |
| 2.3.2 基于模型的协同过滤算法 | 第23-24页 |
| 2.3.3 基于隐式反馈的协同过滤算法 | 第24-27页 |
| 2.3.4 时间敏感的协同过滤算法 | 第27-29页 |
| 2.4 马尔可夫链及隐马尔可夫模型 | 第29-30页 |
| 2.4.1 马尔可夫链 | 第29页 |
| 2.4.2 隐马尔可夫模型 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 电商环境中用户动态偏好的分析 | 第31-39页 |
| 3.1 引言 | 第31页 |
| 3.2 电商环境中用户动态偏好特性分析 | 第31-35页 |
| 3.3 异构隐式反馈偏好量化模型 | 第35-38页 |
| 3.3.1 异构隐式反馈偏好量化模型符号说明 | 第35页 |
| 3.3.2 偏好量化模型构建过程 | 第35-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 基于用户偏好置信度时间衰减的推荐算法 | 第39-55页 |
| 4.1 研究问题及定义 | 第39-41页 |
| 4.2 基于用户偏好置信度时间衰减的推荐算法 | 第41-44页 |
| 4.2.1 目标函数 | 第41-42页 |
| 4.2.2 学习算法 | 第42-44页 |
| 4.3 实验结果与分析 | 第44-54页 |
| 4.3.1 数据集 | 第44-46页 |
| 4.3.2 实验框架 | 第46-47页 |
| 4.3.3 实验设置 | 第47-50页 |
| 4.3.4 评价指标 | 第50-51页 |
| 4.3.5 结果分析 | 第51-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第5章 基于隐马尔可夫模型的用户动态偏好推荐算法 | 第55-66页 |
| 5.1 研究问题及定义 | 第55页 |
| 5.2 基于隐马尔可夫模型的用户动态偏好推荐算法 | 第55-60页 |
| 5.2.1 隐马尔可夫模型构建 | 第55-58页 |
| 5.2.2 目标函数 | 第58-59页 |
| 5.2.3 学习算法 | 第59-60页 |
| 5.3 实验结果与分析 | 第60-64页 |
| 5.3.1 数据集 | 第60页 |
| 5.3.2 实验框架 | 第60-62页 |
| 5.3.3 实验设置 | 第62页 |
| 5.3.4 评价指标 | 第62-63页 |
| 5.3.5 结果分析 | 第63-64页 |
| 5.4 本章小结 | 第64-66页 |
| 第6章 总结与展望 | 第66-68页 |
| 6.1 本文工作总结 | 第66-67页 |
| 6.2 未来工作展望 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士学位期间主要的研究成果 | 第73-74页 |
| 致谢 | 第74页 |
