基于标签关联规则的协同过滤算法研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题研究背景与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 协同过滤 | 第12-14页 |
| 1.2.2 标签技术 | 第14-15页 |
| 1.3 本文研究内容 | 第15-16页 |
| 1.4 本文的内容结构 | 第16-18页 |
| 第二章 推荐系统相关概念与技术 | 第18-28页 |
| 2.1 推荐系统的概念 | 第18-19页 |
| 2.2 推荐系统的发展史及应用 | 第19-22页 |
| 2.2.1 推荐系统的发展 | 第19-21页 |
| 2.2.2 推荐系统的应用 | 第21-22页 |
| 2.3 推荐技术分类 | 第22-25页 |
| 2.3.1 从研究对象方法上分类 | 第22-24页 |
| 2.3.2 从应用算法架构上分类 | 第24-25页 |
| 2.4 推荐算法研究常用数据集 | 第25-26页 |
| 2.5 本章小结 | 第26-28页 |
| 第三章 改进的用户相似度算法 | 第28-42页 |
| 3.1 传统的协同过滤算法 | 第28-30页 |
| 3.2 基于用户的协同过滤算法 | 第30-33页 |
| 3.2.1 用户-项目评分矩阵 | 第30-31页 |
| 3.2.2 计算用户间相似度 | 第31-32页 |
| 3.2.3 寻找用户最近邻居 | 第32页 |
| 3.2.4 预测用户的评分值 | 第32-33页 |
| 3.2.5 产生推荐 | 第33页 |
| 3.3 基于项目的协同过滤算法 | 第33-36页 |
| 3.3.1 用户-项目评分矩阵 | 第34页 |
| 3.3.2 计算项目间相似度 | 第34-35页 |
| 3.3.3 寻找项目最近邻居 | 第35页 |
| 3.3.4 预测用户的评分值 | 第35-36页 |
| 3.4 改进的用户相似度算法 | 第36-40页 |
| 3.4.1 用户-项目评分矩阵填充 | 第36-38页 |
| 3.4.2 用户关注度矩阵 | 第38-39页 |
| 3.4.3 用户相似度计算的改进 | 第39页 |
| 3.4.4 算法流程 | 第39-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第四章 基于标签关联规则的协同过滤算法 | 第42-52页 |
| 4.1 用户兴趣表示及社会兴趣的挖掘 | 第42-44页 |
| 4.1.1 用户兴趣及其表示方式 | 第42-43页 |
| 4.1.2 兴趣挖掘方法 | 第43-44页 |
| 4.2 基于标签关联规则的用户聚类算法 | 第44-47页 |
| 4.2.1 算法流程 | 第45页 |
| 4.2.2 简单算法实例 | 第45-47页 |
| 4.3 基于标签关联规则的协同过滤算法 | 第47-51页 |
| 4.3.1 算法的基本思想 | 第47-50页 |
| 4.3.2 算法框架 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 实验及结果分析 | 第52-62页 |
| 5.1 实验数据集 | 第52-53页 |
| 5.2 实验方法 | 第53-54页 |
| 5.3 推荐结果评价标准 | 第54-56页 |
| 5.3.1 预测准确度 | 第54-55页 |
| 5.3.2 覆盖率 | 第55页 |
| 5.3.3 多样性 | 第55-56页 |
| 5.3.4 实时性 | 第56页 |
| 5.4 实验方案及实验结果 | 第56-61页 |
| 5.4.1 实验方案 | 第56-57页 |
| 5.4.2 实验结果及分析 | 第57-61页 |
| 5.5 本章小结 | 第61-62页 |
| 第六章 结论与展望 | 第62-64页 |
| 6.1 结论 | 第62-63页 |
| 6.2 展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读学位期间所取得的相关科研成果 | 第68-70页 |
| 致谢 | 第70-71页 |
