基于多维特征的混合推荐系统模型研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.2 国内外研究和发展现状 | 第13-15页 |
| 1.2.1 推荐系统研究和发展历程 | 第13页 |
| 1.2.2 推荐系统主要应用领域 | 第13-15页 |
| 1.2.3 视觉特征在推荐系统中的应用 | 第15页 |
| 1.3 本文主要研究内容 | 第15-17页 |
| 1.4 本文层次结构安排 | 第17-18页 |
| 第二章 推荐系统技术理论及算法 | 第18-31页 |
| 2.1 推荐系统概述 | 第18-20页 |
| 2.1.1 推荐系统原理 | 第18-19页 |
| 2.1.2 推荐系统推荐流程 | 第19-20页 |
| 2.2 常见推荐算法和技术 | 第20-29页 |
| 2.2.1 基于人口统计学的推荐 | 第21-22页 |
| 2.2.2 基于内容推荐 | 第22-23页 |
| 2.2.3 协同过滤推荐 | 第23-28页 |
| 2.2.3.1 基于用户的协同过滤算法 | 第24-25页 |
| 2.2.3.2 基于项目的协同过滤算法 | 第25-27页 |
| 2.2.3.3 基于模型的协同过滤算法 | 第27-28页 |
| 2.2.4 组合推荐 | 第28页 |
| 2.2.5 各类推荐算法的对比 | 第28-29页 |
| 2.3 推荐系统面临的问题与挑战 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 基于多维特征的用户兴趣度量 | 第31-46页 |
| 3.1 多维特征描述 | 第32-38页 |
| 3.1.1 静态特征 | 第32-34页 |
| 3.1.2 动态特征 | 第34-35页 |
| 3.1.3 图像视觉特征 | 第35-38页 |
| 3.1.4 其他特征 | 第38页 |
| 3.2 特征兴趣度量 | 第38-44页 |
| 3.2.1 相关概念 | 第39-40页 |
| 3.2.2 示例解释 | 第40-43页 |
| 3.2.3 特征兴趣值计算 | 第43-44页 |
| 3.3 本章小结 | 第44-46页 |
| 第四章 基于多维特征的混合推荐模型 | 第46-60页 |
| 4.1 基于多维特征的推荐方案思路 | 第46-47页 |
| 4.2 基于多维特征的混合推荐模型 | 第47-54页 |
| 4.2.1 特征兴趣度量 | 第49-52页 |
| 4.2.2 基于多维特征的用户相似度计算 | 第52-53页 |
| 4.2.3 用户评分预测 | 第53页 |
| 4.2.4 实现流程 | 第53-54页 |
| 4.3 模型优化策略 | 第54-58页 |
| 4.3.1 融入用户特征信息 | 第54-55页 |
| 4.3.2 特征权重调节解决方案 | 第55-56页 |
| 4.3.3 冷启动问题解决方案 | 第56-57页 |
| 4.3.4 交叉验证 | 第57-58页 |
| 4.4 本章小结 | 第58-60页 |
| 第五章 实验设置及结果分析 | 第60-72页 |
| 5.1 实验数据集 | 第60-63页 |
| 5.2 实验环境 | 第63页 |
| 5.3 实验设置 | 第63-66页 |
| 5.3.1 用户邻居数的选择 | 第65页 |
| 5.3.2 稀疏数据实验 | 第65-66页 |
| 5.3.3 推荐时间比较 | 第66页 |
| 5.4 实验评估 | 第66-67页 |
| 5.5 实验结果分析 | 第67-70页 |
| 5.5.1 用户邻居数的选择 | 第67-68页 |
| 5.5.2 稀疏数据实验 | 第68-69页 |
| 5.5.3 推荐时间比较 | 第69-70页 |
| 5.6 本章小结 | 第70-72页 |
| 第六章 结束语 | 第72-75页 |
| 6.1 全文总结 | 第72-73页 |
| 6.2 不足与展望 | 第73-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 攻硕期间取得的研究成果 | 第80页 |
