基于情境的商品个性化推荐方法研究
摘要 | 第4-6页 |
ABSTRACT | 第6-7页 |
1 绪论 | 第17-25页 |
1.1 研究背景与意义 | 第17-20页 |
1.1.1 研究背景 | 第17-19页 |
1.1.2 研究意义 | 第19-20页 |
1.2 本文研究内容与思路 | 第20-23页 |
1.2.1 主要研究内容 | 第20-21页 |
1.2.2 研究思路 | 第21-23页 |
1.3 论文篇章结构 | 第23-25页 |
2 国内外研究综述 | 第25-49页 |
2.1 个性化推荐模式的分类 | 第25-31页 |
2.1.1 传统个性化推荐模式 | 第25-27页 |
2.1.2 基于情境的个性化推荐模式 | 第27-28页 |
2.1.3 基于情境的推荐模式 | 第28-31页 |
2.1.4 个性化推荐的实现过程 | 第31页 |
2.2 个性化推荐知识建模 | 第31-36页 |
2.2.1 传统个性化推荐知识模型 | 第31-33页 |
2.2.2 基于情境的个性化推荐知识模型 | 第33-36页 |
2.3 基于情境的用户偏好挖掘研究 | 第36-37页 |
2.4 个性化推荐技术及分类 | 第37-47页 |
2.4.1 基于内容过滤的推荐 | 第38-39页 |
2.4.2 协同过滤推荐 | 第39-44页 |
2.4.3 基于知识的推荐 | 第44-45页 |
2.4.4 各种推荐技术的比较 | 第45-46页 |
2.4.5 基于情境的个性化推荐技术 | 第46-47页 |
2.5 国内外相关研究小结 | 第47-48页 |
2.6 本章小结 | 第48-49页 |
3 基于情境的个性化推荐知识建模 | 第49-62页 |
3.1 问题分析及描述 | 第49-50页 |
3.2 个性化推荐服务的本体建模 | 第50-60页 |
3.2.1 推荐知识模型 | 第50-51页 |
3.2.2 情境本体 | 第51-56页 |
3.2.3 商品本体 | 第56-59页 |
3.2.4 用户本体 | 第59-60页 |
3.3 基于情境的个性化推荐框架 | 第60-61页 |
3.4 本章小结 | 第61-62页 |
4 基于情境的用户偏好分析 | 第62-77页 |
4.1 问题分析及描述 | 第62-63页 |
4.2 情境化的用户偏好提取 | 第63-70页 |
4.2.1 情境化的用户偏好模型 | 第63-65页 |
4.2.2 基于贝叶斯网络的情境化用户偏好分析 | 第65-68页 |
4.2.3 实验分析 | 第68-70页 |
4.3 基于情境重要度的用户偏好分析 | 第70-76页 |
4.3.1 信息熵理论 | 第71页 |
4.3.2 情境信息熵的计算 | 第71-74页 |
4.3.3 基于情境重要度的用户偏好计算 | 第74-75页 |
4.3.4 实验分析 | 第75-76页 |
4.4 本章小结 | 第76-77页 |
5 基于情境的商品个性化混合推荐方法研究 | 第77-99页 |
5.1 问题分析及描述 | 第77-79页 |
5.2 混合推荐基本框架及流程 | 第79-81页 |
5.3 基于情境化偏好的协同过滤推荐 | 第81-92页 |
5.3.1 缺失值预测处理 | 第82-85页 |
5.3.2 情境化的用户偏好相似性 | 第85-86页 |
5.3.3 推荐生成 | 第86-88页 |
5.3.4 改进的协同过滤推荐流程 | 第88-89页 |
5.3.5 实验分析 | 第89-92页 |
5.4 集成知识过滤的混合推荐 | 第92-95页 |
5.4.1 知识过滤中的语义规则 | 第92-94页 |
5.4.2 基于情境的推理优化 | 第94-95页 |
5.5 实验与结果分析 | 第95-98页 |
5.6 本章小结 | 第98-99页 |
6 应用研究 | 第99-109页 |
6.1 系统设计 | 第99-105页 |
6.1.1 系统基本框架设计 | 第99-100页 |
6.1.2 相关数据信息 | 第100-105页 |
6.2 个性化推荐流程 | 第105-106页 |
6.3 案例分析 | 第106-108页 |
6.4 本章小结 | 第108-109页 |
7 结论与展望 | 第109-113页 |
7.1 结论 | 第109-110页 |
7.2 创新点 | 第110-111页 |
7.3 展望 | 第111-113页 |
参考文献 | 第113-127页 |
攻读博士学位期间科研项目及科研成果 | 第127-128页 |
致谢 | 第128-130页 |
作者简介 | 第130页 |