基于协同过滤的推荐系统算法研究与实现
| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究工作的背景及意义 | 第9-10页 |
| 1.2 推荐系统的研究现状 | 第10-13页 |
| 1.2.1 基于内容的推荐系统 | 第10页 |
| 1.2.2 协同过滤推荐系统 | 第10-11页 |
| 1.2.3 电视节目推荐系统 | 第11-13页 |
| 1.3 推荐系统中存在的问题与挑战 | 第13-14页 |
| 1.4 本文主要研究的内容和工作 | 第14页 |
| 1.5 论文的组织结构 | 第14-16页 |
| 第二章 推荐算法的研究 | 第16-27页 |
| 2.1 推荐算法的介绍 | 第16-23页 |
| 2.1.1 基于内容的推荐算法 | 第16-17页 |
| 2.1.2 协同过滤推荐算法 | 第17-21页 |
| 2.1.3 基于关联规则的推荐算法 | 第21页 |
| 2.1.4 基于知识的推荐算法 | 第21页 |
| 2.1.5 基于效用的推荐算法 | 第21-22页 |
| 2.1.6 组合推荐算法 | 第22-23页 |
| 2.1.7 不同推荐算法的对比 | 第23页 |
| 2.2 推荐系统中的评估标准 | 第23-25页 |
| 2.3 实验中常用的数据集 | 第25页 |
| 2.4 本章小结 | 第25-27页 |
| 第三章 推荐系统的框架结构模型 | 第27-30页 |
| 3.1 用户特性描述文件 | 第27页 |
| 3.2 节目特性描述文件 | 第27-28页 |
| 3.3 基于内容和协同过滤混合推荐模块 | 第28页 |
| 3.4 本章小结 | 第28-30页 |
| 第四章 余弦相似度的改进 | 第30-37页 |
| 4.1 传统的相似性的度量方法 | 第30-32页 |
| 4.1.1 余弦相似度 | 第30-31页 |
| 4.1.2 相关相似性 | 第31-32页 |
| 4.1.3 调整后的余弦相似度 | 第32页 |
| 4.2 改进调整后的余弦相似度 | 第32-33页 |
| 4.3 实验数据 | 第33页 |
| 4.4 实验度量标准 | 第33-34页 |
| 4.5 实验流程 | 第34-35页 |
| 4.6 实验结果及分析 | 第35-36页 |
| 4.7 本章小结 | 第36-37页 |
| 第五章 基于协同过滤的算法改进 | 第37-46页 |
| 5.1 问题的提出 | 第37-38页 |
| 5.2 涉及的算法 | 第38-41页 |
| 5.2.1 自组织神经网络SOM | 第38-39页 |
| 5.2.2 经典的K-means | 第39-40页 |
| 5.2.3 改进后的K-means | 第40-41页 |
| 5.3 算法设计 | 第41-42页 |
| 5.4 数据集 | 第42-43页 |
| 5.5 评价标准 | 第43页 |
| 5.6 实验结果 | 第43-45页 |
| 5.7 本章小结 | 第45-46页 |
| 第六章 总结与展望 | 第46-48页 |
| 6.1 总结 | 第46页 |
| 6.2 工作展望 | 第46-48页 |
| 参考文献 | 第48-51页 |
| 在校期间的研究成果 | 第51-52页 |
| 致谢 | 第52页 |
