改进的协同过滤算法在推荐系统中的研究
| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-11页 |
| 1 绪论 | 第11-19页 |
| ·研究背景及意义 | 第11-12页 |
| ·研究背景 | 第11-12页 |
| ·研究意义 | 第12页 |
| ·研究现状 | 第12-15页 |
| ·推荐系统的研究现状 | 第12-13页 |
| ·协同过滤算法研究的现状 | 第13-15页 |
| ·论文的研究思路与主要内容 | 第15-19页 |
| ·研究思路 | 第15-16页 |
| ·研究内容 | 第16-17页 |
| ·论文结构 | 第17-19页 |
| 2 相关理论 | 第19-25页 |
| ·推荐系统概述 | 第19-21页 |
| ·推荐系统的概念 | 第19页 |
| ·推荐系统的基本流程 | 第19-21页 |
| ·传统的协同过滤算法研究与分析 | 第21-25页 |
| ·协同过滤算法的核心思想 | 第21页 |
| ·基于项目的协同过滤算法研究 | 第21-24页 |
| ·协同过滤算法优缺点分析 | 第24-25页 |
| 3 针对协同过滤冷启动问题的改进 | 第25-37页 |
| ·项目的多属性的分析与研究 | 第25-31页 |
| ·项目多属性的分析 | 第25-26页 |
| ·项目之间的属性相似性计算 | 第26-27页 |
| ·项目多属性在解决新项目问题中的研究 | 第27-29页 |
| ·项目多属性在解决新用户问题中的研究 | 第29-31页 |
| ·项目的多类别的分析与研究 | 第31-35页 |
| ·项目多类别的分析 | 第31-32页 |
| ·类别相似性计算 | 第32-34页 |
| ·项目的多类别在解决新项目问题中的研究 | 第34-35页 |
| ·P-C-CF 算法设计与分析 | 第35-37页 |
| ·P-C-CF 算法设计 | 第35-36页 |
| ·P-C-CF 算法分析 | 第36-37页 |
| 4 针对数据稀疏问题的改进 | 第37-40页 |
| ·项目多属性及多类别在解决数据稀疏问题中的应用 | 第37页 |
| ·基于项目聚类的P-C-CF 算法设计与分析 | 第37-40页 |
| ·算法设计 | 第38-39页 |
| ·算法分析 | 第39-40页 |
| 5 改进的算法在电影推荐中的仿真实验 | 第40-53页 |
| ·实验设计 | 第40-43页 |
| ·实验数据集的选取 | 第40-42页 |
| ·实验平台 | 第42-43页 |
| ·实验方案 | 第43页 |
| ·评价指标 | 第43-44页 |
| ·仿真实验 | 第44-49页 |
| ·仿真实验中所用到的变量及参数 | 第44-45页 |
| ·仿真实验关键步骤 | 第45-49页 |
| ·实验结果与分析比较 | 第49-53页 |
| ·数据稀疏度比较 | 第49-50页 |
| ·不同的最近邻个数下推荐质量的对比 | 第50-51页 |
| ·训练集与测试集不同比例下的推荐效果比较 | 第51-53页 |
| 6 结论与展望 | 第53-55页 |
| ·结论 | 第53页 |
| ·展望 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 作者简历 | 第58-59页 |
| 学位论文数据集 | 第59-60页 |
