基于专家池的协同过滤推荐系统研究
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第一章 绪论 | 第9-14页 |
| ·引言 | 第9-10页 |
| ·个性化推荐简介 | 第10-11页 |
| ·相关知识 | 第11-13页 |
| ·检索技术 | 第11页 |
| ·信息过滤技术 | 第11-12页 |
| ·协同过滤 | 第12-13页 |
| ·本文的主要工作 | 第13-14页 |
| 第二章 个性化推荐系统研究 | 第14-28页 |
| ·个性化推荐系统应用 | 第14-15页 |
| ·推荐系统形式化描述 | 第15-17页 |
| ·协同过滤推荐系统 | 第17-25页 |
| ·协同过滤推荐系统的分类 | 第18页 |
| ·基于user的协同过滤系统 | 第18-20页 |
| ·基于item的协同过滤系统 | 第20-23页 |
| ·基于item的cf与基于user的cf的比较 | 第23-24页 |
| ·协同过滤系统存在的问题 | 第24-25页 |
| ·推荐系统评价标准 | 第25-27页 |
| ·绝对平均误差标准 | 第25-26页 |
| ·召回率和准确率 | 第26-27页 |
| ·覆盖度 | 第27页 |
| 本章小结 | 第27-28页 |
| 第三章 基于专家池的协同过滤推荐系统 | 第28-38页 |
| ·概述 | 第28页 |
| ·标准协同过滤系统 | 第28-30页 |
| ·用户行为提取和分析模块 | 第29页 |
| ·相关推荐模块 | 第29页 |
| ·用户行为权重计算模块 | 第29-30页 |
| ·相似度矩阵计算模块 | 第30页 |
| ·基于专家池的协同过滤系统 | 第30-37页 |
| ·专家池的构建 | 第33页 |
| ·本地推荐引擎 | 第33-37页 |
| 本章小结 | 第37-38页 |
| 第四章 分析与实验 | 第38-46页 |
| ·数据集介绍 | 第38页 |
| ·Netflix电影评分数据集 | 第38页 |
| ·从web上取得的专家数据集 | 第38页 |
| ·数据集的分析：用户和专家 | 第38-41页 |
| ·评分的数目和数据稀疏性 | 第39-40页 |
| ·平均评分的分布 | 第40-41页 |
| ·评分的标准偏差 | 第41页 |
| ·结果 | 第41-45页 |
| ·预测推荐中的误差 | 第42页 |
| ·推荐精度的比较 | 第42-43页 |
| ·讨论 | 第43-45页 |
| 本章小结 | 第45-46页 |
| 第五章 总结与展望 | 第46-47页 |
| 参考文献 | 第47-51页 |
| 附录 | 第51-56页 |
| 获取数据的相关代码 | 第51-52页 |
| 数据导入 | 第52-54页 |
| 预测的精度以及覆盖率 | 第54-56页 |
| 攻读硕士学位期间发表的论文和参加的项目 | 第56-57页 |
| 致谢 | 第57页 |
