融合兴趣分布的协同过滤算法的研究和应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.3 本文研究内容 | 第12页 |
| 1.4 章节安排 | 第12-14页 |
| 第二章 推荐算法研究的介绍 | 第14-28页 |
| 2.1 协同过滤推荐算法 | 第14-18页 |
| 2.1.1 相似度计算方法 | 第15-16页 |
| 2.1.2 预测评分方法 | 第16-17页 |
| 2.1.3 协同过滤面临的问题和挑战 | 第17-18页 |
| 2.2 基于内容的推荐 | 第18-20页 |
| 2.2.1 物品特征表示 | 第19页 |
| 2.2.2 用户兴趣学习 | 第19-20页 |
| 2.2.3 生成推荐 | 第20页 |
| 2.2.4 基于内容推荐的优缺点 | 第20页 |
| 2.3 基于网络结构的推荐算法 | 第20-21页 |
| 2.4 基于用户偏好的协同过滤算法 | 第21-24页 |
| 2.5 其他的个性化推荐算法的介绍 | 第24-25页 |
| 2.5.1 基于关联规则的推荐 | 第24页 |
| 2.5.2 基于人口统计的推荐 | 第24-25页 |
| 2.6 混合推荐的方法 | 第25-27页 |
| 2.6.1 整体式混合推荐 | 第25-26页 |
| 2.6.2 并行化混合推荐 | 第26页 |
| 2.6.3 管道式混合推荐 | 第26-27页 |
| 2.7 小结 | 第27-28页 |
| 第三章 融合用户兴趣分布的协同过滤算法设计与实现 | 第28-38页 |
| 3.1 融合兴趣分布的协同过滤算法的设计 | 第28-32页 |
| 3.1.1 用户兴趣分布相似度计算的设计 | 第29-31页 |
| 3.1.2 融合兴趣的相似度最近邻设计 | 第31页 |
| 3.1.3 向用户推荐的设计 | 第31-32页 |
| 3.2 实验结果及分析 | 第32-37页 |
| 3.2.1 实验环境及评估方法 | 第32-34页 |
| 3.2.2 实验策略 | 第34-35页 |
| 3.2.3 实验对比及分析 | 第35-37页 |
| 3.3 小结 | 第37-38页 |
| 第四章 算法在电影推荐系统中的应用 | 第38-51页 |
| 4.1 本文算法在电影推荐系统中的难题 | 第38-39页 |
| 4.2 电影推荐原型系统介绍 | 第39-44页 |
| 4.2.1 电影推荐系统基本功能介绍 | 第39-41页 |
| 4.2.2 电影推荐系统架构 | 第41-42页 |
| 4.2.3 电影推荐系统的数据库信息 | 第42-44页 |
| 4.3 算法在电影推荐中的应用 | 第44-49页 |
| 4.3.1 用户兴趣分布相似度计算的实现 | 第44-46页 |
| 4.3.2 融合用户兴趣分布的最近邻组的实现 | 第46-47页 |
| 4.3.3 推荐结果的实现 | 第47-49页 |
| 4.4 电影推荐系统算法结果展示 | 第49-50页 |
| 4.5 小结 | 第50-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 5.1 本文工作总结 | 第51页 |
| 5.2 工作展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 攻读硕士学位期间取得的研究成果 | 第56-57页 |
| 致谢 | 第57-58页 |
| 附件 | 第58页 |
