基于关注度与时序的资讯混合推荐算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 本文的研究背景与研究意义 | 第10-11页 |
| 1.2 国内外发展与研究现状 | 第11-12页 |
| 1.3 本文解决的关键问题与研究内容 | 第12-13页 |
| 1.4 章节安排 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 第二章 个性化推荐系统与关键技术 | 第15-28页 |
| 2.1 基于内容的推荐算法 | 第15-18页 |
| 2.1.1 内容推荐算法 | 第15-17页 |
| 2.1.2 基于内容的推荐算法优缺点 | 第17-18页 |
| 2.2 协同过滤推荐算法 | 第18-23页 |
| 2.2.1 基于不同相似度方法计算的协同过滤 | 第18-21页 |
| 2.2.2 基于矩阵分解方法的协同过滤 | 第21-22页 |
| 2.2.3 协同过滤算法优缺点 | 第22-23页 |
| 2.3 基于限定因素的推荐 | 第23页 |
| 2.4 混合推荐 | 第23-24页 |
| 2.5 推荐算法的测评指标 | 第24-26页 |
| 2.5.1 用户的主观感受 | 第24页 |
| 2.5.2 预测准确性 | 第24-26页 |
| 2.5.3 多样性 | 第26页 |
| 2.5.4 实时性 | 第26页 |
| 2.6 章节小结 | 第26-28页 |
| 第三章 资讯数据处理与用户建模 | 第28-36页 |
| 3.1 资讯数据的获取 | 第28页 |
| 3.2 资讯数据的清洗 | 第28-29页 |
| 3.3 资讯数据的建模 | 第29-30页 |
| 3.4 用户数据分析 | 第30-32页 |
| 3.5 用户建模改进 | 第32-35页 |
| 3.5.1 用户历史行为量化 | 第32-34页 |
| 3.5.2 用户内容偏好量化 | 第34页 |
| 3.5.3 用户模型改进 | 第34-35页 |
| 3.5.4 用户偏好模型的更新 | 第35页 |
| 3.6 章节小结 | 第35-36页 |
| 第四章 混合推荐算法的设计 | 第36-45页 |
| 4.1 基于时序的用户相似度 | 第37-38页 |
| 4.2 基于社交关注的用户相似度 | 第38-40页 |
| 4.3 混合推荐算法的设计 | 第40-44页 |
| 4.3.1 短期偏好的协同过滤推荐算法设计 | 第41页 |
| 4.3.2 长期偏好的协同过滤推荐算法设计 | 第41-42页 |
| 4.3.3 混合推荐算法 | 第42-44页 |
| 4.4 章节小结 | 第44-45页 |
| 第五章 实验结果分析 | 第45-51页 |
| 5.1 数据集的采集与处理 | 第45页 |
| 5.2 推荐效果度量标准 | 第45-46页 |
| 5.3 实验结果与分析 | 第46-50页 |
| 5.4 章节小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-53页 |
| 6.1 本文工作总结 | 第51页 |
| 6.2 展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 致谢 | 第56页 |
