Top-N协同过滤推荐技术研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第14-42页 |
| 1.1 本论文研究的背景和意义 | 第14-19页 |
| 1.2 国内外研究现状及发展趋势 | 第19-38页 |
| 1.2.1 推荐算法 | 第20-23页 |
| 1.2.2 评分预测推荐算法 | 第23-31页 |
| 1.2.3 排序预测推荐算法 | 第31-33页 |
| 1.2.4 推荐效果评价 | 第33-37页 |
| 1.2.5 协同过滤推荐技术面临的主要挑战 | 第37-38页 |
| 1.3 论文主要研究内容和创新点 | 第38-40页 |
| 1.3.1 论文主要研究内容 | 第38-39页 |
| 1.3.2 论文创新点 | 第39-40页 |
| 1.4 论文的组织结构 | 第40-42页 |
| 第2章 基于意见的协同过滤推荐算法 | 第42-57页 |
| 2.1 引言 | 第42-43页 |
| 2.2 流行偏置现象 | 第43-46页 |
| 2.3 推荐算法 | 第46-52页 |
| 2.3.1 置信度函数 | 第46-49页 |
| 2.3.2 基于用户的加权协同过滤推荐算法 | 第49-50页 |
| 2.3.3 基于共现的协同过滤推荐算法 | 第50-51页 |
| 2.3.4 基于意见的协同过滤推荐算法 | 第51-52页 |
| 2.4 实验与分析 | 第52-56页 |
| 2.4.1 实验设置 | 第52-53页 |
| 2.4.2 实验结果 | 第53-56页 |
| 2.5 本章小结 | 第56-57页 |
| 第3章 基于缺失数据建模的改进型 SVD++算法 | 第57-78页 |
| 3.1 引言 | 第57-59页 |
| 3.2 缺失数据建模方法 | 第59-63页 |
| 3.2.1 加权法 | 第60-61页 |
| 3.2.2 随机抽样法 | 第61-62页 |
| 3.2.3 近邻抽样法 | 第62-63页 |
| 3.3 推荐算法 | 第63-67页 |
| 3.3.1 使用加权法改进的 SVD++算法 | 第64-66页 |
| 3.3.2 使用抽样法改进的 SVD++算法 | 第66-67页 |
| 3.4 实验与分析 | 第67-76页 |
| 3.4.1 实验设置 | 第67-68页 |
| 3.4.2 参数分析 | 第68-74页 |
| 3.4.3 实验结果 | 第74-76页 |
| 3.5 本章小结 | 第76-78页 |
| 第4章 两步预测推荐算法 | 第78-112页 |
| 4.1 引言 | 第78-80页 |
| 4.2 两阶段用户行为模式研究 | 第80-87页 |
| 4.2.1 两阶段用户行为模式 | 第80-83页 |
| 4.2.2 数据分析 | 第83-87页 |
| 4.3 两步预测推荐算法框架 | 第87-91页 |
| 4.4 基于近邻的两步预测推荐算法 | 第91-95页 |
| 4.4.1 基于用户的两步预测推荐算法 | 第91-93页 |
| 4.4.2 基于产品的两步预测推荐算法 | 第93-95页 |
| 4.5 基于模型的两步预测推荐算法 | 第95-99页 |
| 4.6 实验与分析 | 第99-110页 |
| 4.6.1 实验设置 | 第99-100页 |
| 4.6.2 基于近邻的两步预测推荐算法实验分析 | 第100-103页 |
| 4.6.3 基于模型的两步预测推荐算法实验分析 | 第103-107页 |
| 4.6.4 两步预测推荐算法与其它推荐算法的比较 | 第107-110页 |
| 4.7 本章小结 | 第110-112页 |
| 第5章 结论 | 第112-114页 |
| 参考文献 | 第114-128页 |
| 攻读博士学位期间发表论文与研究成果清单 | 第128页 |
| 攻读博士学位期间参加的科研项目 | 第128页 |
| 攻读博士学位期间获奖经历 | 第128-129页 |
| 致谢 | 第129页 |
