基于用户兴趣建模的推荐方法及应用研究
摘要 | 第1-7页 |
ABSTRACT | 第7-9页 |
目录 | 第9-18页 |
第一章 绪论 | 第18-32页 |
·引言 | 第18-19页 |
·研究背景 | 第19-28页 |
·互联网的发展概况 | 第19-21页 |
·从搜索引擎到推荐系统 | 第21-23页 |
·推荐系统的机遇和挑战 | 第23-28页 |
·研究内容 | 第28-30页 |
·组织结构 | 第30-32页 |
第二章 相关研究工作概述 | 第32-50页 |
·引言 | 第32页 |
·推荐算法研究进展 | 第32-38页 |
·推荐系统中的用户建模 | 第32-35页 |
·推荐算法的设计方案 | 第35-36页 |
·推荐结果的评估标准 | 第36-38页 |
·用户建模面临的挑战 | 第38-43页 |
·用户冷启动问题 | 第39-41页 |
·兴趣多样性问题 | 第41-43页 |
·融合情境信息的移动推荐服务 | 第43-48页 |
·移动推荐的应用 | 第43-44页 |
·面向推荐的移动情境建模问题 | 第44-47页 |
·情境模型与推荐算法的融合问题 | 第47-48页 |
·本章小结 | 第48-50页 |
第三章 基于用户兴趣扩展的个性化推荐算法 | 第50-76页 |
·引言 | 第50-53页 |
·研究动机 | 第51-52页 |
·主要贡献 | 第52-53页 |
·相关工作 | 第53-56页 |
·推荐算法框架 | 第56-58页 |
·用户兴趣建模 | 第58-62页 |
·用户兴趣抽取 | 第58-60页 |
·用户兴趣关联图 | 第60-61页 |
·用户兴趣扩展 | 第61-62页 |
·iExpand推荐算法 | 第62-65页 |
·推荐列表的生成 | 第62-63页 |
·参数估计 | 第63-65页 |
·计算复杂度 | 第65页 |
·实验分析 | 第65-75页 |
·实验设置 | 第65-67页 |
·LDA参数设置 | 第67-68页 |
·推荐效果比较 | 第68-72页 |
·个性化排序中的参数设置 | 第72页 |
·兴趣展示和兴趣扩展 | 第72-74页 |
·结果讨论 | 第74-75页 |
·本章小结 | 第75-76页 |
第四章 融合情境信息的个性化旅游套餐推荐算法 | 第76-98页 |
·引言 | 第76-77页 |
·相关工作 | 第77-79页 |
·相关概念和数据分析 | 第79-82页 |
·TAST游客兴趣表示模型 | 第82-87页 |
·模型设计 | 第82-84页 |
·模型推导 | 第84-85页 |
·地区和季节划分 | 第85-86页 |
·相关模型 | 第86-87页 |
·Cocktail旅游套餐推荐算法 | 第87-90页 |
·季节相关的协同过滤 | 第87-88页 |
·新套餐推荐 | 第88-89页 |
·价格偏好 | 第89-90页 |
·相关推荐算法 | 第90页 |
·实验分析 | 第90-97页 |
·实验设置 | 第90-92页 |
·季节划分和价格分段 | 第92-93页 |
·Perplexity比较 | 第93-94页 |
·主题理解 | 第94-95页 |
·推荐结果比较 | 第95-97页 |
·本章小结 | 第97-98页 |
第五章 最优初始项目推荐算法 | 第98-120页 |
·引言 | 第98-100页 |
·相关工作 | 第100-101页 |
·问题定义 | 第101-102页 |
·启发式推荐算法 | 第102-104页 |
·带先验的PageRank贪心推荐算法 | 第104-109页 |
·PageRank算法 | 第105-106页 |
·线性信息传播模型 | 第106-107页 |
·初始项目贪心推荐算法 | 第107-109页 |
·实验分析 | 第109-117页 |
·新注册用户 | 第109-113页 |
·冷启动用户 | 第113-117页 |
·讨论 | 第117-118页 |
·本章小结 | 第118-120页 |
第六章 总结与展望 | 第120-126页 |
·工作总结 | 第121-122页 |
·贡献和创新点 | 第122-123页 |
·未来展望 | 第123-126页 |
参考文献 | 第126-142页 |
致谢 | 第142-146页 |
在读期间发表的学术论文与取得的研究成果 | 第146-149页 |