基于用户评分和遗传算法的协同过滤推荐算法
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 相关技术发展现状 | 第13-16页 |
| 1.2.1 推荐系统国内外研究现状 | 第13-14页 |
| 1.2.2 协同过滤推荐国内外研究现状 | 第14-15页 |
| 1.2.3 遗传算法国内外研究现状 | 第15-16页 |
| 1.3 主要研究内容 | 第16-17页 |
| 1.4 论文组织结构 | 第17-18页 |
| 第2章 推荐系统及相关技术概述 | 第18-41页 |
| 2.1 推荐系统的概念和定义 | 第18-19页 |
| 2.2 推荐系统的构成 | 第19-25页 |
| 2.2.1 用户建模模块 | 第20-23页 |
| 2.2.2 推荐对象的建模 | 第23-25页 |
| 2.3 常用推荐算法 | 第25-38页 |
| 2.3.1 基于关联规则的推荐算法 | 第25-27页 |
| 2.3.2 基于内容的推荐算法 | 第27-30页 |
| 2.3.3 基于协同过滤的推荐算法 | 第30-37页 |
| 2.3.4 混合式推荐算法 | 第37-38页 |
| 2.4 推荐系统的评价标准 | 第38-40页 |
| 2.5 本章小结 | 第40-41页 |
| 第3章 基于用户评分和遗传算法的协同过滤推荐算法 | 第41-60页 |
| 3.1 传统的相似性计算 | 第41-43页 |
| 3.2 基于用户评分和遗传算法的相似性计算 | 第43-45页 |
| 3.2.1 向量p的定义 | 第43-44页 |
| 3.2.2 新的用户相似性计算方法 | 第44-45页 |
| 3.3 遗传算法 | 第45-54页 |
| 3.3.1 遗传算法的思想 | 第45页 |
| 3.3.2 遗传算法的工作流程 | 第45-47页 |
| 3.3.3 遗传算法方法介绍 | 第47-54页 |
| 3.3.3.1 个体编码方式 | 第47-49页 |
| 3.3.3.2 初始种群的设置 | 第49页 |
| 3.3.3.3 选择算子 | 第49-50页 |
| 3.3.3.4 交叉算子 | 第50-51页 |
| 3.3.3.5 变异算子 | 第51页 |
| 3.3.3.6 适应度函数 | 第51-53页 |
| 3.3.3.7 控制参数 | 第53-54页 |
| 3.4 遗传算法的应用 | 第54-58页 |
| 3.4.1 个体表示 | 第54-55页 |
| 3.4.2 初始种群 | 第55-56页 |
| 3.4.3 适应度函数 | 第56-57页 |
| 3.4.4 遗传操作 | 第57-58页 |
| 3.4.5 进化和终止 | 第58页 |
| 3.5 本章小结 | 第58-60页 |
| 第4章 算法实验验证与分析 | 第60-66页 |
| 4.1 预测、推荐质量分析 | 第60-63页 |
| 4.1.1 实验方法 | 第60页 |
| 4.1.2 评测指标 | 第60-61页 |
| 4.1.3 实验结果 | 第61-63页 |
| 4.2 性能分析 | 第63-64页 |
| 4.2.1 实验结论 | 第64页 |
| 4.3 本章小结 | 第64-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-71页 |
| 致谢 | 第71页 |
