基于时序行为和专家意见的稀疏线性推荐算法的研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-23页 |
| 1.1 研究背景及意义 | 第13-16页 |
| 1.1.1 研究背景 | 第13-15页 |
| 1.1.2 研究意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.2.1 国外研究现状 | 第16-18页 |
| 1.2.2 国内研究现状 | 第18-19页 |
| 1.3 研究内容 | 第19-20页 |
| 1.4 组织结构 | 第20-22页 |
| 1.5 本章小结 | 第22-23页 |
| 第2章 个性化推荐相关概念与技术 | 第23-39页 |
| 2.1 个性化推荐系统概况 | 第23-29页 |
| 2.1.1 个性化推荐系统概述 | 第23页 |
| 2.1.2 个性化推荐系统结构 | 第23-25页 |
| 2.1.3 推荐系统常用算法 | 第25-29页 |
| 2.2 协同过滤推荐算法 | 第29-34页 |
| 2.2.1 协同过滤算法概述 | 第29-31页 |
| 2.2.2 基于内存的协同过滤算法 | 第31-32页 |
| 2.2.3 基于模型的协同过滤算法 | 第32-34页 |
| 2.3 基于稀疏线性的协同过滤推荐算法 | 第34-36页 |
| 2.3.1 稀疏线性推荐概述 | 第34-35页 |
| 2.3.2 稀疏线性推荐算法模型 | 第35-36页 |
| 2.4 评估指标 | 第36-38页 |
| 2.5 本章小结 | 第38-39页 |
| 第3章 基于双惩罚因子的稀疏线性推荐算法 | 第39-53页 |
| 3.1 问题描述 | 第39-40页 |
| 3.2 相关定义 | 第40-41页 |
| 3.3 长尾理论和马太效应 | 第41-42页 |
| 3.4 基于双惩罚因子的稀疏线性推荐算法 | 第42-46页 |
| 3.4.1 数据预处理 | 第42页 |
| 3.4.2 用户活跃度和项目流行度的惩罚因子 | 第42-43页 |
| 3.4.3 模型构建 | 第43-45页 |
| 3.4.4 目标用户Top-N推荐 | 第45页 |
| 3.4.5 算法复杂度分析 | 第45-46页 |
| 3.5 实验对比 | 第46-52页 |
| 3.5.1 实验设计 | 第46-48页 |
| 3.5.2 实验结果分析 | 第48-52页 |
| 3.6 本章小结 | 第52-53页 |
| 第4章 基于时序行为的稀疏线性推荐算法 | 第53-65页 |
| 4.1 问题描述 | 第53-54页 |
| 4.2 用户兴趣漂移的解决方法 | 第54-55页 |
| 4.2.1 时间窗口法 | 第54-55页 |
| 4.2.2 遗忘函数法 | 第55页 |
| 4.3 基于时序行为的稀疏线性推荐算法 | 第55-59页 |
| 4.3.1 数据预处理 | 第55-56页 |
| 4.3.2 时间权重因子 | 第56-57页 |
| 4.3.3 模型构建 | 第57-59页 |
| 4.3.4 目标用户Top-N推荐 | 第59页 |
| 4.3.5 算法复杂度分析 | 第59页 |
| 4.4 实验对比 | 第59-64页 |
| 4.4.1 实验设计 | 第59-60页 |
| 4.4.2 实验结果分析 | 第60-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第5章 基于专家意见的稀疏线性推荐算法 | 第65-76页 |
| 5.1 问题描述 | 第65-66页 |
| 5.2 专家发现 | 第66-67页 |
| 5.3 基于专家意见的稀疏线性推荐算法 | 第67-71页 |
| 5.3.1 用户相似性计算 | 第67-68页 |
| 5.3.2 用户影响力计算 | 第68页 |
| 5.3.3 专家意见计算 | 第68-69页 |
| 5.3.4 模型构建 | 第69-70页 |
| 5.3.5 模型拓展 | 第70-71页 |
| 5.3.6 目标用户Top-N推荐 | 第71页 |
| 5.3.7 算法复杂度分析 | 第71页 |
| 5.4 实验对比 | 第71-75页 |
| 5.4.1 实验设计 | 第71-72页 |
| 5.4.2 实验结果分析 | 第72-75页 |
| 5.5 本章小结 | 第75-76页 |
| 结论 | 第76-78页 |
| 参考文献 | 第78-83页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第83-84页 |
| 附录B 攻读学位期间参与的主要项目 | 第84-85页 |
| 致谢 | 第85页 |
