一种基于因子分解机和主动学习的新电影推荐方法
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 研究意义 | 第12-13页 |
| 1.3 研究现状 | 第13-15页 |
| 1.4 研究内容 | 第15-16页 |
| 1.5 论文结构 | 第16-18页 |
| 第二章 相关技术介绍 | 第18-32页 |
| 2.1 推荐系统介绍 | 第18-22页 |
| 2.1.1 推荐系统的定义 | 第18-21页 |
| 2.1.2 推荐系统的应用 | 第21-22页 |
| 2.2 推荐算法介绍 | 第22-26页 |
| 2.2.1 基于内容的推荐算法 | 第22-23页 |
| 2.2.2 基于关联规则的推荐算法 | 第23-24页 |
| 2.2.3 基于协同过滤的推荐算法 | 第24-26页 |
| 2.3 主动学习 | 第26-28页 |
| 2.3.1 主动学习的定义 | 第26-27页 |
| 2.3.2 主动学习的过程及优势 | 第27-28页 |
| 2.4 因子分解机 | 第28-30页 |
| 2.4.1 因子分解机的定义 | 第28-29页 |
| 2.4.2 因子分解机的优点 | 第29-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第三章 问题定义及方法设计 | 第32-36页 |
| 3.1 问题的提出 | 第32-33页 |
| 3.2 任务的定义 | 第33-34页 |
| 3.3 方法的设计 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于因子分解机和主动学习的新电影推荐 | 第36-48页 |
| 4.1 目标用户选择方法 | 第36-42页 |
| 4.1.1 用户选择标准设计 | 第36-37页 |
| 4.1.2 用户选择方法实现 | 第37-42页 |
| 4.2 新电影推荐方法 | 第42-47页 |
| 4.2.1 因子分解机模型的构建 | 第43-44页 |
| 4.2.2 主动学习的新电影推荐 | 第44-47页 |
| 4.3 本章小结 | 第47-48页 |
| 第五章 实验及分析 | 第48-58页 |
| 5.1 实验评价标准 | 第48-51页 |
| 5.1.1 评分预测准确度指标 | 第48-49页 |
| 5.1.2 分类预测准确度指标 | 第49-50页 |
| 5.1.3 其他评价指标 | 第50-51页 |
| 5.2 实验数据集 | 第51-52页 |
| 5.2.1 数据集介绍 | 第51-52页 |
| 5.2.2 数据集对比 | 第52页 |
| 5.3 实验设计 | 第52-54页 |
| 5.3.1 实验环境 | 第52-53页 |
| 5.3.2 实验流程 | 第53-54页 |
| 5.4 实验结果及分析 | 第54-57页 |
| 5.5 本章小结 | 第57-58页 |
| 第六章 新电影推荐原型系统设计与实现 | 第58-68页 |
| 6.1 需求分析 | 第58-59页 |
| 6.1.1 功能需求 | 第58-59页 |
| 6.1.2 非功能需求 | 第59页 |
| 6.2 系统设计 | 第59-64页 |
| 6.2.1 系统框架设计 | 第59-60页 |
| 6.2.2 系统模块设计 | 第60-64页 |
| 6.3 系统实现 | 第64-67页 |
| 6.4 本章小结 | 第67-68页 |
| 总结与展望 | 第68-70页 |
| 总结 | 第68页 |
| 展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-75页 |
