基于改进的个性化混合推荐算法的研究
| 摘要 | 第2-4页 |
| ABSTRACT | 第4-6页 |
| 第一章 绪论 | 第10-23页 |
| 第一节 研究背景与研究意义 | 第10-12页 |
| 一、研究背景 | 第10-11页 |
| 二、研究意义 | 第11-12页 |
| 第二节 国内外研究现状 | 第12-18页 |
| 一、推荐系统的应用现状 | 第12-14页 |
| 二、推荐算法研究现状 | 第14-18页 |
| 三、国内外文献评述 | 第18页 |
| 第三节 研究内容及框架 | 第18-21页 |
| 一、研究内容 | 第18-20页 |
| 二、研究框架 | 第20-21页 |
| 第四节 本文可能的创新 | 第21-23页 |
| 一、融合内容信息熵的基于项目的推荐 | 第21页 |
| 二、引入改进的个性化混合推荐机制 | 第21页 |
| 三、修正相似度偏差 | 第21-22页 |
| 四、引入时间指数修正模型 | 第22-23页 |
| 第二章 相关推荐算法的理论阐述 | 第23-37页 |
| 第一节 二部图推荐算法 | 第23-27页 |
| 一、基于物质扩散的二部图推荐 | 第23-26页 |
| 二、基于热传导的二部图推荐 | 第26页 |
| 三、二部图算法优缺点分析 | 第26-27页 |
| 第二节 关联挖掘推荐算法 | 第27-29页 |
| 一、关联挖掘相关概念 | 第27-28页 |
| 二、关联挖掘推荐相关步骤 | 第28-29页 |
| 三、关联挖掘存在的问题 | 第29页 |
| 第三节 协同过滤算法 | 第29-34页 |
| 一、相似度计算 | 第29-31页 |
| 二、基于用户的协同过滤 | 第31-32页 |
| 三、基于项目的协同过滤 | 第32-33页 |
| 四、协同过滤算法的比较分析 | 第33-34页 |
| 第四节 基于内容的推荐 | 第34-35页 |
| 一、内容特征的提取 | 第34-35页 |
| 二、基于内容推荐的优缺点 | 第35页 |
| 第五节 混合推荐算法 | 第35-37页 |
| 第三章 基于个性化的混合推荐算法 | 第37-50页 |
| 第一节 问题的提出与分析 | 第37-39页 |
| 一、单一算法的局限性 | 第37-38页 |
| 二、传统相似度计算的问题 | 第38页 |
| 三、用户兴趣的时间迁移 | 第38-39页 |
| 第二节 改进思路及方法 | 第39-50页 |
| 一、引入加权二部图推荐机制 | 第39-40页 |
| 二、融合内容信息熵的基于项目的推荐 | 第40-43页 |
| 三、基于改进的个性化混合推荐 | 第43-47页 |
| 四、修正相似度偏差 | 第47-48页 |
| 五、引入时间指数修正模型 | 第48-50页 |
| 第四章 实证分析及应用 | 第50-65页 |
| 第一节 实证数据集与环境 | 第50页 |
| 第二节 MovieLens数据集特征分析 | 第50-54页 |
| 一、数据预处理 | 第50-52页 |
| 二、特征分析 | 第52-54页 |
| 第三节 实证结果与分析 | 第54-63页 |
| 一、评价标准 | 第54-55页 |
| 二、相关参数的确定 | 第55-57页 |
| 三、改进后算法的有效性实证 | 第57-63页 |
| 第四节 改进算法的应用 | 第63-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 第一节 总结 | 第65页 |
| 第二节 展望 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 附录 | 第70-82页 |
| 致谢 | 第82-83页 |
