基于社会计算的电子商务协同过滤推荐算法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-11页 |
| 第1章 绪论 | 第11-15页 |
| ·课题背景 | 第11-12页 |
| ·研究意义 | 第12-13页 |
| ·本文的主要工作 | 第13-14页 |
| ·本文的组织结构 | 第14-15页 |
| 第2章 推荐系统与社会计算综述 | 第15-28页 |
| ·推荐系统 | 第15-22页 |
| ·推荐问题的定义 | 第15-16页 |
| ·推荐系统的组成 | 第16-17页 |
| ·推荐算法概述 | 第17-20页 |
| ·推荐系统的国内外研究现状 | 第20-22页 |
| ·社会计算 | 第22-27页 |
| ·社会计算的定义 | 第22-23页 |
| ·社会计算的框架 | 第23-24页 |
| ·社会计算的理论与技术 | 第24-27页 |
| ·本章小结 | 第27-28页 |
| 第3章 基于信任计算的商品推荐模型 | 第28-43页 |
| ·基于用户的协同过滤推荐算法 | 第28-32页 |
| ·算法框架 | 第28-29页 |
| ·相似度计算 | 第29-31页 |
| ·k邻居计算 | 第31页 |
| ·推荐结果 | 第31-32页 |
| ·基于信任挖掘的推荐算法 | 第32-35页 |
| ·算法框架 | 第34-35页 |
| ·信任集合的确定 | 第35页 |
| ·推荐结果 | 第35页 |
| ·基于用户相似度与信任挖掘的混合推荐算法 | 第35-37页 |
| ·算法框架 | 第36页 |
| ·线性组合 | 第36-37页 |
| ·基于用户相似度和信任传递的混合推荐算法 | 第37-42页 |
| ·算法框架 | 第38-39页 |
| ·信任传递与信任组合 | 第39-41页 |
| ·混合相似度计算 | 第41页 |
| ·k邻居计算 | 第41页 |
| ·推荐结果 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第4章 基于信任计算的推荐模型实验分析 | 第43-60页 |
| ·实验数据与分析 | 第43-48页 |
| ·评论数据分析 | 第44-46页 |
| ·信任数据分析 | 第46-48页 |
| ·实验设计 | 第48-49页 |
| ·实验评价指标 | 第49-52页 |
| ·实验结果 | 第52-59页 |
| ·邻居参数k的取值实验 | 第52-55页 |
| ·全局的覆盖率和精确率实验 | 第55页 |
| ·可扩展性实验 | 第55-57页 |
| ·Cold Start实验 | 第57-58页 |
| ·实验结论 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 第5章 基于兴趣计算的推荐模型 | 第60-70页 |
| ·问题的提出和分析 | 第60-62页 |
| ·基于商品的协同过滤推荐算法 | 第62-65页 |
| ·算法框架 | 第62-63页 |
| ·相似度计算 | 第63-64页 |
| ·k邻居计算 | 第64页 |
| ·推荐结果 | 第64-65页 |
| ·基于兴趣计算的协同过滤推荐算法 | 第65-69页 |
| ·算法框架 | 第66-67页 |
| ·兴趣度计算函数 | 第67-68页 |
| ·基于兴趣计算的相似度计算 | 第68页 |
| ·k邻居计算 | 第68页 |
| ·推荐结果 | 第68-69页 |
| ·本章小结 | 第69-70页 |
| 第6章 基于兴趣计算的推荐模型实验分析 | 第70-82页 |
| ·实验数据分析 | 第70-73页 |
| ·实验设计 | 第73-74页 |
| ·实验评价指标 | 第74-75页 |
| ·实验结果 | 第75-81页 |
| ·邻居参数k的取值实验 | 第75-78页 |
| ·兴趣衰减系数取值实验 | 第78-80页 |
| ·全局的覆盖率和精确率实验 | 第80页 |
| ·实验结论 | 第80-81页 |
| ·本章小结 | 第81-82页 |
| 第7章 总结与展望 | 第82-84页 |
| ·总结 | 第82-83页 |
| ·展望 | 第83-84页 |
| 参考文献 | 第84-89页 |
| 攻读硕士学位期间主要的研究成果 | 第89-90页 |
| 致谢 | 第90页 |
