协同过滤推荐系统中的关键算法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-10页 |
| 第1章 绪论 | 第10-17页 |
| ·课题背景 | 第10-12页 |
| ·研究背景 | 第10-11页 |
| ·研究意义 | 第11-12页 |
| ·研究现状及分析 | 第12-15页 |
| ·国际研究现状 | 第12-14页 |
| ·国内研究现状 | 第14-15页 |
| ·本文的研究内容 | 第15-17页 |
| ·本文的主要工作 | 第15-16页 |
| ·本文的结构安排 | 第16-17页 |
| 第2章 协同过滤推荐系统综述 | 第17-38页 |
| ·协同过滤推荐系统概述 | 第17-22页 |
| ·基本概念 | 第17-19页 |
| ·主要算法 | 第19-21页 |
| ·术语记号 | 第21-22页 |
| ·协同过滤推荐系统中的关键算法 | 第22-34页 |
| ·邻居模型 | 第22-26页 |
| ·隐因子模型 | 第26-30页 |
| ·其他相关的模型 | 第30-34页 |
| ·协同过滤推荐系统的评价标准 | 第34-35页 |
| ·协同过滤推荐系统所面临的问题 | 第35-37页 |
| ·本章小结 | 第37-38页 |
| 第3章 基于“明星用户”的协同过滤推荐算法 | 第38-49页 |
| ·概述 | 第38-40页 |
| ·“明星用户”的概念 | 第38-39页 |
| ·算法的基本框架 | 第39-40页 |
| ·基于“明星用户”的推荐算法 | 第40-45页 |
| ·挖掘“明星用户” | 第40-43页 |
| ·生成推荐 | 第43-45页 |
| ·分析及讨论 | 第45-47页 |
| ·与其他方法的比较 | 第45-46页 |
| ·模型拓展 | 第46-47页 |
| ·本章小结 | 第47-49页 |
| 第4章 融入情景信息的隐因子模型 | 第49-59页 |
| ·挖掘物品间情景化隐式关系 | 第49-53页 |
| ·物品-情景评分矩阵分解 | 第49-52页 |
| ·建立物品间隐式关系矩阵 | 第52-53页 |
| ·融入物品间情景化隐式关系的PMF模型 | 第53-56页 |
| ·分析与讨论 | 第56-58页 |
| ·模型的其他特性 | 第56-57页 |
| ·与其他方法比较 | 第57-58页 |
| ·本章小结 | 第58-59页 |
| 第5章 实验结果及分析 | 第59-70页 |
| ·数据集 | 第59-62页 |
| ·Movielens数据集 | 第59页 |
| ·Netflix数据集 | 第59-60页 |
| ·Yahoo!音乐数据集 | 第60-61页 |
| ·数据集的统计信息对比 | 第61-62页 |
| ·基于“明星用户”的协同过滤算法实验结果 | 第62-66页 |
| ·初始化 | 第62页 |
| ·在MovieLens数据集上的结果 | 第62-64页 |
| ·在Netflix数据集上的结果 | 第64-66页 |
| ·融入情景信息的隐因子模型实验结果 | 第66-69页 |
| ·数据预处理 | 第66-67页 |
| ·在MovieLens数据集上的结果 | 第67-68页 |
| ·在Yahoo!音乐数据集上的结果 | 第68-69页 |
| ·本章小结 | 第69-70页 |
| 第6章 总结与展望 | 第70-72页 |
| ·总结 | 第70-71页 |
| ·展望 | 第71-72页 |
| 参考文献 | 第72-77页 |
| 攻读硕士学位期间主要的研究成果 | 第77-79页 |
| 致谢 | 第79页 |
