推荐系统中协同过滤算法的改进与应用
| 摘要 | 第7-9页 |
| ABSTRACT | 第9-10页 |
| 第1章 绪论 | 第11-14页 |
| 1.1 研究背景与意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 商业应用现状 | 第11-12页 |
| 1.2.2 理论研究现状 | 第12页 |
| 1.3 研究内容 | 第12-13页 |
| 1.4 论文结构 | 第13-14页 |
| 第2章 推荐系统理论 | 第14-19页 |
| 2.1 推荐系统 | 第14-15页 |
| 2.1.1 推荐系统的核心价值 | 第14-15页 |
| 2.1.2 推荐系统组成 | 第15页 |
| 2.2 常用推荐算法 | 第15-16页 |
| 2.2.1 非个性化推荐方法 | 第16页 |
| 2.2.2 基于内容的推荐算法 | 第16页 |
| 2.2.3 基于关联规则的推荐算法 | 第16页 |
| 2.3 基于协同过滤的推荐算法 | 第16-18页 |
| 2.3.1 协同过滤算法分类 | 第17页 |
| 2.3.2 UBCF算法 | 第17页 |
| 2.3.3 IBCF算法 | 第17页 |
| 2.3.4 UBCF与IBCF比较 | 第17-18页 |
| 2.4 本章小结 | 第18-19页 |
| 第3章 相似度计算的改进 | 第19-27页 |
| 3.1 符号描述 | 第19页 |
| 3.2 传统相似度的计算方法 | 第19-21页 |
| 3.3 最近用户活跃时间和最近物品流行时间 | 第21-22页 |
| 3.4 用户评分标准和物品自身评分水平 | 第22-23页 |
| 3.5 用户兴趣模型 | 第23-25页 |
| 3.6 相似度改进公式的混合 | 第25-26页 |
| 3.7 本章小结 | 第26-27页 |
| 第4章 协同过滤算法的改进与混合 | 第27-39页 |
| 4.1 基于时间信息维度的改进算法 | 第27-29页 |
| 4.1.1 TUBCF算法 | 第27-28页 |
| 4.1.2 TIBCF算法 | 第28-29页 |
| 4.2 常用混合方法 | 第29页 |
| 4.3 动态混合权重因子设计 | 第29-30页 |
| 4.4 TIUBCF算法 | 第30-31页 |
| 4.5 实验与结果分析 | 第31-37页 |
| 4.5.1 实验环境 | 第31页 |
| 4.5.2 实验数据集 | 第31-33页 |
| 4.5.3 评测指标 | 第33页 |
| 4.5.4 实验过程结果分析 | 第33-37页 |
| 4.6 本章小结 | 第37-39页 |
| 第5章 医药电商推荐系统实现 | 第39-44页 |
| 5.1 需求分析 | 第39-40页 |
| 5.2 用户行为数据采集 | 第40-42页 |
| 5.2.1 隐性行为数据采集 | 第40-41页 |
| 5.2.2 用户反馈模块实现 | 第41-42页 |
| 5.3 推荐结果展示 | 第42页 |
| 5.4 线上算法收益 | 第42-43页 |
| 5.5 本章小结 | 第43-44页 |
| 第6章 总结和展望 | 第44-46页 |
| 6.1 总结 | 第44-45页 |
| 6.2 展望 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 致谢 | 第49-50页 |
| 附录攻读硕士学位期间主要成果目录 | 第50页 |
