融合用户属性和兴趣的最大熵推荐算法研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 1 绪论 | 第8-14页 |
| ·研究背景及意义 | 第8-9页 |
| ·研究现状 | 第9-11页 |
| ·应用现状 | 第9-10页 |
| ·研究现状 | 第10-11页 |
| ·本文研究内容 | 第11-12页 |
| ·论文组织结构 | 第12-14页 |
| 2 电子商务个性化推荐系统分析 | 第14-21页 |
| ·电子商务推荐系统概述 | 第14-15页 |
| ·电子商务推荐系统框架 | 第15-17页 |
| ·个性化推荐相关技术 | 第17-20页 |
| ·基于关联规则的推荐 | 第17-18页 |
| ·基于内容的推荐 | 第18页 |
| ·基于协同过滤的推荐 | 第18-19页 |
| ·混合技术推荐 | 第19-20页 |
| ·推荐技术比较 | 第20页 |
| ·本章小结 | 第20-21页 |
| 3 协同过滤推荐算法 | 第21-32页 |
| ·协同过滤基本原理 | 第21-22页 |
| ·基于内存的协同过滤算法 | 第22-27页 |
| ·基于用户的协同过滤算法 | 第24-25页 |
| ·基于项目的协同过滤算法 | 第25-27页 |
| ·基于模型的协同过滤算法 | 第27-29页 |
| ·基于 SVD 的协同过滤算法 | 第27-28页 |
| ·基于贝叶斯网络的协同过滤算法 | 第28-29页 |
| ·协同过滤算法分析 | 第29-31页 |
| ·本章小结 | 第31-32页 |
| 4 融合用户属性和兴趣的最大熵推荐算法 | 第32-46页 |
| ·问题提出 | 第32页 |
| ·最大熵模型概述 | 第32-34页 |
| ·熵的定义 | 第32-33页 |
| ·最大熵模型原理 | 第33-34页 |
| ·基于最大熵的协同过滤模型 | 第34-39页 |
| ·最大熵数学建模 | 第34-36页 |
| ·最大熵模型分类预测 | 第36-37页 |
| ·基于最大熵的协同过滤评分预测 | 第37-39页 |
| ·模型的特征约束 | 第39-42页 |
| ·基于用户属性的特征 | 第39-40页 |
| ·基于用户兴趣的特征 | 第40-42页 |
| ·模型求解 | 第42-43页 |
| ·算法流程 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 5 实验设计与结果分析 | 第46-54页 |
| ·实验数据与环境 | 第46-47页 |
| ·评价指标 | 第47-48页 |
| ·实验设计 | 第48页 |
| ·实验结果及分析 | 第48-53页 |
| ·本章小结 | 第53-54页 |
| 6 总结与展望 | 第54-56页 |
| ·总结 | 第54-55页 |
| ·下一步工作展望 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 附录 | 第61页 |
| A. 作者在攻读硕士学位期间发表的论文目录 | 第61页 |
| B. 作者在攻读硕士学位期间参加的科研项目 | 第61页 |
