基于协同过滤的个性化推荐算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题研究背景与意义 | 第10-12页 |
| 1.1.1 课题研究背景 | 第10-11页 |
| 1.1.2 课题研究意义 | 第11页 |
| 1.1.3 存在的问题 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.2.1 国外研究现状 | 第12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 课题主要创新点 | 第13-14页 |
| 1.4 课题组织结构 | 第14-15页 |
| 第二章 推荐系统相关理论与技术 | 第15-21页 |
| 2.1 推荐系统概述 | 第15-18页 |
| 2.1.1 推荐系统的定义 | 第15-16页 |
| 2.1.2 推荐系统分类 | 第16-18页 |
| 2.2 数据处理技术 | 第18-19页 |
| 2.2.1 传统相似度计算步骤 | 第18-19页 |
| 2.2.2 传统的相似度计算方法 | 第19页 |
| 2.3 协同过滤推荐算法概述 | 第19-20页 |
| 2.3.1 协同过滤推荐算法的思想 | 第19页 |
| 2.3.2 协同过滤推荐算法的步骤 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 多因素协同过滤推荐算法 | 第21-40页 |
| 3.1 传统算法介绍 | 第21-23页 |
| 3.1.1 用户评分差值相似度计算方法 | 第21-22页 |
| 3.1.2 用户属性相似度计算方法 | 第22-23页 |
| 3.2 传统算法存在的不足 | 第23-25页 |
| 3.2.1 用户评分差值相似度计算方法的缺点 | 第23-24页 |
| 3.2.2 用户属性相似度计算方法的缺点 | 第24-25页 |
| 3.3 算法改进 | 第25-32页 |
| 3.3.1 用户评分相似度计算方法的改进 | 第25-28页 |
| 3.3.2 量化属性相似度计算方法的提出 | 第28-32页 |
| 3.4 多因素协同过滤推荐算法的提出 | 第32-33页 |
| 3.4.1 提出思想 | 第32页 |
| 3.4.2 算法步骤 | 第32-33页 |
| 3.4.3 算法实现 | 第33页 |
| 3.5 实验 | 第33-39页 |
| 3.5.1 衡量指标 | 第34页 |
| 3.5.2 MEA实验及结果分析 | 第34-36页 |
| 3.5.3 RK实验及结果分析 | 第36-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第四章 标签重要程度的协同过滤推荐算法 | 第40-52页 |
| 4.1 标签系统 | 第40-42页 |
| 4.1.1 标签系统简介 | 第40页 |
| 4.1.2 标签系统推荐流程 | 第40-42页 |
| 4.2 推荐模型的构建 | 第42-45页 |
| 4.2.1 建立用户-商品-标签之间的关系 | 第42-43页 |
| 4.2.2 建立新的相似度计算模型 | 第43-45页 |
| 4.3 标签重要程度的相似度计算 | 第45-47页 |
| 4.4 标签重要程度的协同过滤推荐算法 | 第47-48页 |
| 4.5 实验 | 第48-50页 |
| 4.5.1 数据集和测评标准 | 第48-49页 |
| 4.5.2 结果及分析 | 第49-50页 |
| 4.6 本章小结 | 第50-52页 |
| 第五章 多因素和标签重要程度算法的比较 | 第52-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 工作总结 | 第54-55页 |
| 6.2 课题展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59-60页 |
| 攻读学位期间的研究成果 | 第60-61页 |
