基于集成学习的个性化推荐系统的研究与实现
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-16页 |
| ·引言 | 第9-10页 |
| ·论文研究的背景和意义 | 第10页 |
| ·国内外研究现状 | 第10-14页 |
| ·论文研究的主要问题和成果 | 第14页 |
| ·论文的内容和组织结构 | 第14-16页 |
| 第二章 集成学习与选择性集成技术 | 第16-25页 |
| ·集成学习的概念和思想 | 第16页 |
| ·集成学习的作用和构成方法 | 第16-17页 |
| ·集成学习的三要素 | 第17-21页 |
| ·样本的产生方法 | 第18-19页 |
| ·学习个体 | 第19-20页 |
| ·结论合成方法 | 第20-21页 |
| ·选择性集成 | 第21-25页 |
| ·选择性集成的理论基础 | 第21-22页 |
| ·遗传算法 | 第22-23页 |
| ·选择性集成的不足和发展方向 | 第23-25页 |
| 第三章 个性化推荐与协同过滤算法 | 第25-37页 |
| ·个性化推荐系统概述 | 第25-26页 |
| ·个性化推荐系统的结构 | 第26-30页 |
| ·推荐系统的输入 | 第26-27页 |
| ·推荐系统的输出 | 第27页 |
| ·推荐方法 | 第27-30页 |
| ·协同过滤算法 | 第30-35页 |
| ·协同过滤的基础和实现步骤 | 第30-34页 |
| ·传统协同过滤算法存在的不足 | 第34-35页 |
| ·提出基于集成学习的协同过滤算法 | 第35-37页 |
| 第四章 基于集成学习的协同过滤算法 | 第37-62页 |
| ·构建用户兴趣模型及模型分类 | 第37-48页 |
| ·模型建立的前期准备 | 第37-39页 |
| ·模型建立及优化 | 第39-42页 |
| ·模型的分类 | 第42-48页 |
| ·改进的协同过滤算法 | 第48-57页 |
| ·推荐算法设计 | 第48-49页 |
| ·计算资源构成的相似性 | 第49-52页 |
| ·填充矩阵 | 第52-54页 |
| ·推荐产生 | 第54-55页 |
| ·“冷启动”问题的研究 | 第55-57页 |
| ·实验结果及分析 | 第57-62页 |
| ·推荐质量评价标准 | 第57-58页 |
| ·实验过程 | 第58-59页 |
| ·实验结果与分析 | 第59-62页 |
| 第五章 基于集成学习技术的个性化推荐系统的实现 | 第62-72页 |
| ·基于集成学习技术的个性化推荐系统的体系结构 | 第62-63页 |
| ·推荐系统的模块设计 | 第63-64页 |
| ·系统的开发工具和实现环境 | 第64-65页 |
| ·系统界面图 | 第65-67页 |
| ·数据库设计 | 第67-72页 |
| 第六章 总结与展望 | 第72-73页 |
| ·本文所做的工作 | 第72页 |
| ·今后的工作 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-77页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第77页 |
