基于用户偏好的协同过滤算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究意义 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-17页 |
| 1.3.1 协同过滤中存在的问题 | 第13页 |
| 1.3.2 数据稀疏性问题的研究现状 | 第13-16页 |
| 1.3.3 其他问题的研究现状 | 第16-17页 |
| 1.4 论文的研究内容及结构安排 | 第17-18页 |
| 1.5 本章小结 | 第18-19页 |
| 第二章 协同过滤推荐研究的预备知识 | 第19-25页 |
| 2.1 传统基于用户的协同过滤方法 | 第19-20页 |
| 2.2 推荐数据集 | 第20-21页 |
| 2.3 评价指标 | 第21-22页 |
| 2.4 测试方法 | 第22-23页 |
| 2.5 本章小结 | 第23-25页 |
| 第三章 基于用户偏好聚类的协同过滤算法 | 第25-35页 |
| 3.1 相关工作分析 | 第25-26页 |
| 3.2 UPUC-CF算法 | 第26-30页 |
| 3.2.1 用户偏好聚类 | 第26-28页 |
| 3.2.2 基于用户偏好的相似性度量方法 | 第28-29页 |
| 3.2.3 推荐方法 | 第29-30页 |
| 3.3 实验部分 | 第30-34页 |
| 3.3.1 数据集和评价指标 | 第30-31页 |
| 3.3.2 实验结果及分析 | 第31-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于目标用户近邻修正的协同过滤算法 | 第35-43页 |
| 4.1 TUNM-CF算法 | 第35-38页 |
| 4.1.1 用户评分修正 | 第35-36页 |
| 4.1.2 共同评分项修正 | 第36页 |
| 4.1.3 相似性度量方法修正 | 第36-37页 |
| 4.1.4 算法分析 | 第37-38页 |
| 4.2 实验部分 | 第38-41页 |
| 4.2.1 数据集和评价指标 | 第38页 |
| 4.2.2 实验结果及分析 | 第38-41页 |
| 4.3 本章小结 | 第41-43页 |
| 第五章 基于信息熵的协同过滤算法 | 第43-51页 |
| 5.1 相关工作分析 | 第43-44页 |
| 5.1.1 近邻选择 | 第43-44页 |
| 5.1.2 预备知识 | 第44页 |
| 5.2 Entropy-based-CF | 第44-47页 |
| 5.3 实验部分 | 第47-49页 |
| 5.3.1 数据集和评价指标 | 第47页 |
| 5.3.2 实验结果及分析 | 第47-49页 |
| 5.4 本章小结 | 第49-51页 |
| 第六章 总结与展望 | 第51-53页 |
| 6.1 研究总结 | 第51-52页 |
| 6.2 研究展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57-59页 |
| 课题研究及论文完成情况 | 第59页 |
