面向用户兴趣的协同过滤算法研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 个性化推荐系统的发展现状 | 第10-11页 |
| 1.2.2 基于用户兴趣的推荐算法研究现状 | 第11-13页 |
| 1.3 主要研究内容和创新点 | 第13页 |
| 1.3.1 研究内容 | 第13页 |
| 1.3.2 创新点 | 第13页 |
| 1.4 论文的组织结构 | 第13-17页 |
| 2 相关工作 | 第17-31页 |
| 2.1 个性化推荐系统模型 | 第17-18页 |
| 2.2 协同过滤推荐算法 | 第18-25页 |
| 2.2.1 基于内存的协同过滤 | 第18-23页 |
| 2.2.2 基于模型的协同过滤 | 第23-24页 |
| 2.2.3 混合策略的协同过滤 | 第24-25页 |
| 2.3 基于内容的推荐 | 第25-26页 |
| 2.4 存在的问题与挑战 | 第26-28页 |
| 2.5 推荐算法的评测指标 | 第28-29页 |
| 2.6 实验数据集 | 第29页 |
| 2.7 本章小结 | 第29-31页 |
| 3 基于用户兴趣和项目属性的协同过滤算法 | 第31-41页 |
| 3.1 引言 | 第31页 |
| 3.2 时间窗技术 | 第31-33页 |
| 3.3 基于用户兴趣和项目属性的协同过滤算法 | 第33-36页 |
| 3.3.1 基于时间的用户兴趣度权重 | 第34页 |
| 3.3.2 改进相似度计算 | 第34-35页 |
| 3.3.3 加权预测评分并形成推荐 | 第35-36页 |
| 3.3.4 算法步骤 | 第36页 |
| 3.4 实验结果与分析 | 第36-40页 |
| 3.5 本章小结 | 第40-41页 |
| 4 基于用户兴趣的改进协同过滤算法 | 第41-51页 |
| 4.1 引言 | 第41-42页 |
| 4.2 传统相似度计算方法的缺陷 | 第42-43页 |
| 4.3 一种巴氏系数改进相似度的方法 | 第43-44页 |
| 4.3.1 巴氏系数 | 第43页 |
| 4.3.2 巴氏系数相似度 | 第43-44页 |
| 4.4 基于用户兴趣的改进协同过滤算法 | 第44-46页 |
| 4.4.1 结合兴趣度权重的相似度计算 | 第44-45页 |
| 4.4.2 计算并推荐 | 第45页 |
| 4.4.3 算法步骤 | 第45-46页 |
| 4.5 实验结果与分析 | 第46-49页 |
| 4.6 本章小结 | 第49-51页 |
| 5 电影推荐原型系统的设计与实现 | 第51-57页 |
| 5.1 系统设计 | 第51-53页 |
| 5.1.1 系统模块设计 | 第51-52页 |
| 5.1.2 系统数据库设计 | 第52-53页 |
| 5.2 系统实现 | 第53-57页 |
| 6 总结与展望 | 第57-59页 |
| 6.1 工作总结 | 第57页 |
| 6.2 工作展望 | 第57-59页 |
| 参考文献 | 第59-67页 |
| 作者简历 | 第67-69页 |
| 学位论文数据集 | 第69页 |
