基于协同过滤的推荐系统研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景、意义 | 第9-10页 |
| 1.2 推荐系统国内外研究现状 | 第10-13页 |
| 1.2.1 推荐系统国内外发展现状 | 第10-11页 |
| 1.2.2 个性化推荐算法的研究现状 | 第11-13页 |
| 1.3 论文的主要内容和组织结构 | 第13-15页 |
| 1.3.1 论文的主要内容 | 第13页 |
| 1.3.2 论文结构安排 | 第13-15页 |
| 第二章 推荐系统的研究 | 第15-25页 |
| 2.1 个性化推荐系统概述 | 第15-18页 |
| 2.1.1 推荐系统的定义 | 第15页 |
| 2.1.2 推荐系统的体系结构 | 第15-18页 |
| 2.2 推荐算法分析比较 | 第18-23页 |
| 2.2.1 信息检索 | 第18页 |
| 2.2.2 基于内容的推荐技术 | 第18-20页 |
| 2.2.3 基于关联规则的推荐技术 | 第20-21页 |
| 2.2.4 基于协同过滤的推荐技术 | 第21-22页 |
| 2.2.5 组合推荐技术 | 第22页 |
| 2.2.6 各种推荐技术的比较 | 第22-23页 |
| 2.3 本章小结 | 第23-25页 |
| 第三章 协同过滤推荐研究及局限 | 第25-35页 |
| 3.1 协同过滤算法 | 第25-31页 |
| 3.1.1 协同过滤的计算过程 | 第25-27页 |
| 3.1.2 协同过滤算法的分类 | 第27-28页 |
| 3.1.3 基于用户的协同过滤算法 | 第28-29页 |
| 3.1.4 基于项目的协同过滤算法 | 第29-30页 |
| 3.1.5 基于用户和基于项目的协同过滤的比较 | 第30-31页 |
| 3.1.6 协同过滤算法的复杂度 | 第31页 |
| 3.2 协同过滤相似度的改进 | 第31-33页 |
| 3.2.1 小交集问题 | 第31-32页 |
| 3.2.2 重视时间因素 | 第32页 |
| 3.2.3 改进的相似度计算方法 | 第32-33页 |
| 3.3 协同过滤算法存在的问题 | 第33-34页 |
| 3.3.1 冷启动问题 | 第33-34页 |
| 3.3.2 评分矩阵数据稀疏性问题 | 第34页 |
| 3.3.3 可扩展性问题 | 第34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于矩阵分解的协同过滤算法研究 | 第35-45页 |
| 4.1 奇异值分解模型 | 第35-36页 |
| 4.1.1 传统的 SVD 模型 | 第35-36页 |
| 4.1.2 SVD 模型的缺点 | 第36页 |
| 4.2 隐语义模型 | 第36-40页 |
| 4.2.1 传统的隐语义模型 | 第38-39页 |
| 4.2.2 基于偏置的隐语义模型 | 第39-40页 |
| 4.3 算法复杂度的比较 | 第40页 |
| 4.4 结合矩阵分解模型与协同过滤算法 | 第40-44页 |
| 4.4.1 SVDUserKNN 算法描述 | 第40-42页 |
| 4.4.2 LFMUserKNN 算法描述 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 实验设计和结果验证分析 | 第45-53页 |
| 5.1 实验数据集 | 第45-46页 |
| 5.1.1 推荐系统用到的数据集 | 第45-46页 |
| 5.1.2 论文实验数据集 | 第46页 |
| 5.2 实验设计 | 第46-48页 |
| 5.2.1 实验的运行环境 | 第46页 |
| 5.2.2 对比实验的度量指标 | 第46-47页 |
| 5.2.3 实验过程 | 第47-48页 |
| 5.3 实验结果分析 | 第48-52页 |
| 5.4 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6.1 本文工作回顾 | 第53页 |
| 6.2 成果及意义 | 第53页 |
| 6.3 展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-60页 |
