个性化推荐多维度聚合算法应用研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文研究内容 | 第11-12页 |
| 1.4 论文组织结构 | 第12-13页 |
| 第二章 基于协同过滤的推荐算法 | 第13-23页 |
| 2.1 个性化推荐概述 | 第13-14页 |
| 2.2 协同过滤推荐算法原理 | 第14-15页 |
| 2.3 协同过滤推荐算法的分类 | 第15页 |
| 2.4 基于模型的协同过滤推荐算法 | 第15-16页 |
| 2.4.1 基于关联规则的协同过滤推荐算法 | 第15-16页 |
| 2.4.2 基于聚类的协同过滤推荐算法 | 第16页 |
| 2.5 基于内存的协同过滤推荐算法 | 第16-21页 |
| 2.5.1 基于用户的协同过滤推荐算法 | 第16-19页 |
| 2.5.2 基于项目的协同过滤推荐算法 | 第19-21页 |
| 2.6 协同过滤推荐算法的缺陷 | 第21-22页 |
| 2.7 协同过滤推荐算法在个性化推荐中的应用 | 第22页 |
| 2.8 本章小结 | 第22-23页 |
| 第三章 多维度聚合推荐算法 | 第23-41页 |
| 3.1 改进的推荐算法 | 第23-25页 |
| 3.1.1 改进算法的基本思想 | 第23-24页 |
| 3.1.2 改进算法的流程 | 第24-25页 |
| 3.2 多维度聚合推荐算法技术 | 第25-35页 |
| 3.2.1 基于情感分析的缺失值填充 | 第25-28页 |
| 3.2.2 多维度距离度量算法 | 第28-32页 |
| 3.2.3 基于回归函数的多维评分聚合 | 第32-35页 |
| 3.3 算法实现 | 第35-37页 |
| 3.3.1 用户-产品多维评分矩阵获取 | 第35-36页 |
| 3.3.2 用户评分相似性计算 | 第36页 |
| 3.3.3 初始多维评分计算 | 第36-37页 |
| 3.3.4 用户评分回归函数训练 | 第37页 |
| 3.3.5 用户多维评分聚合 | 第37页 |
| 3.4 算法描述 | 第37-38页 |
| 3.5 改进算法与传统推荐算法的比较 | 第38-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 改进算法推荐效果分析 | 第41-50页 |
| 4.1 相关实验数据 | 第41页 |
| 4.2 度量标准 | 第41-42页 |
| 4.3 实验设计 | 第42-43页 |
| 4.4 改进算法维度扩展推荐效果分析 | 第43-46页 |
| 4.5 改进算法应用核函数推荐效果分析 | 第46-49页 |
| 4.5.1 基于Poly核函数实验对比结果 | 第46-47页 |
| 4.5.2 基于RBF核函数的实验对比结果 | 第47-48页 |
| 4.5.3 基于Sigmoid核函数实验对比结果 | 第48页 |
| 4.5.4 基于核函数的实验对比结果 | 第48-49页 |
| 4.6 本章小结 | 第49-50页 |
| 第五章 改进算法在酒店推荐中的应用 | 第50-57页 |
| 5.1 酒店推荐的意义 | 第50页 |
| 5.2 基于网络爬虫的数据获取 | 第50-52页 |
| 5.3 算法实现及实验分析 | 第52-56页 |
| 5.3.1 实验数据 | 第52-53页 |
| 5.3.2 实验设计 | 第53-54页 |
| 5.3.3 实验结果分析 | 第54-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 攻读学位期间参加科研情况及获得的学术成果 | 第64-65页 |
