基于协同过滤技术的个性化推荐算法研究
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外相关研究进展 | 第13-16页 |
| 1.3 主要研究内容 | 第16-18页 |
| 1.4 研究创新点 | 第18-19页 |
| 第二章 个性化推荐系统概述 | 第19-29页 |
| 2.1 基本概念 | 第19页 |
| 2.2 个性化推荐典型算法 | 第19-23页 |
| 2.3 个性化推荐技术面临的主要问题 | 第23-26页 |
| 2.4 评测方法和指标 | 第26-29页 |
| 第三章 基于组合相似度的优化协同过滤算法 | 第29-49页 |
| 3.1 协同过滤算法概述 | 第29-30页 |
| 3.2 协同过滤算法相似度研究 | 第30-32页 |
| 3.2.1 传统的相似度计算方法 | 第30-31页 |
| 3.2.2 相似度计算方法的研究进展 | 第31-32页 |
| 3.3 基于组合相似度的优化协同过滤算法 | 第32-35页 |
| 3.3.1 结构相似度 | 第32-33页 |
| 3.3.2 组合相似度 | 第33-34页 |
| 3.3.3 优化的协同过滤算法 | 第34-35页 |
| 3.4 实验结果与分析 | 第35-47页 |
| 3.4.1 实验数据集 | 第35页 |
| 3.4.2 实验结果与分析 | 第35-47页 |
| 3.5 本章小结 | 第47-49页 |
| 第四章 基于用户近邻约束的矩阵因子分解算法 | 第49-64页 |
| 4.1 基本矩阵因子分解算法概述 | 第49-52页 |
| 4.2 基于偏差的矩阵因子分解算法 | 第52-53页 |
| 4.3 基于用户近邻约束的矩阵因子分解算法 | 第53-57页 |
| 4.3.1 用户近邻模型 | 第53-54页 |
| 4.3.2 优化的用户近邻约束模型 | 第54-56页 |
| 4.3.3 基于用户近邻约束的矩阵因子分解算法 | 第56-57页 |
| 4.3.4 改进的预测评分 | 第57页 |
| 4.4 实验结果与分析 | 第57-63页 |
| 4.4.1 确定矩阵因子分解算法中的迭代次数 | 第57-58页 |
| 4.4.2 UBC_MF算法中关键参数的确定 | 第58-60页 |
| 4.4.3 UBC_MF算法和MF算法比较 | 第60-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 研究工作总结 | 第64页 |
| 5.2 未来工作的展望 | 第64-66页 |
| 参考文献 | 第66-73页 |
| 作者在攻读硕士学位期间公开发表的论文 | 第73-74页 |
| 致谢 | 第74页 |
