基于多策略的基金个性化推荐模型研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 研究背景及意义 | 第7-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 个性化推荐系统的研究现状 | 第9-10页 |
| 1.2.2 基金行业国内外研究现状 | 第10-11页 |
| 1.3 论文主要工作 | 第11页 |
| 1.4 本文组织结构 | 第11-13页 |
| 第二章 相关理论及技术 | 第13-19页 |
| 2.1 推荐系统综述 | 第13页 |
| 2.2 协同过滤推荐方法 | 第13-16页 |
| 2.2.1 基于内存的协同过滤 | 第14-15页 |
| 2.2.2 基于模型的协同过滤 | 第15-16页 |
| 2.3 基于内容的推荐方法 | 第16-17页 |
| 2.4 基于知识的推荐方法 | 第17-18页 |
| 2.5 混合推荐方法 | 第18页 |
| 2.6 本章小结 | 第18-19页 |
| 第三章 基于多策略的基金个性化推荐模型建立 | 第19-28页 |
| 3.1 基金行业问题描述及特点分析 | 第19-20页 |
| 3.2 多策略推荐模型的框架 | 第20-21页 |
| 3.3 多策略推荐模型的构建 | 第21-26页 |
| 3.3.1 构建用户-基金评分矩阵 | 第21-22页 |
| 3.3.2 基于用户聚类的评分加权推荐 | 第22-23页 |
| 3.3.3 基于内容的推荐 | 第23-25页 |
| 3.3.4 基于项目的协同过滤推荐 | 第25-26页 |
| 3.3.5 组合推荐结果 | 第26页 |
| 3.4 推荐模型特点分析 | 第26-27页 |
| 3.5 本章小结 | 第27-28页 |
| 第四章 基于用户聚类的评分加权基金推荐算法 | 第28-33页 |
| 4.1 算法基本思想 | 第28-29页 |
| 4.2 详细步骤及流程 | 第29-31页 |
| 4.2.1 基于用户的属性构建用户向量 | 第29页 |
| 4.2.2 基于K-means算法对用户聚类 | 第29-30页 |
| 4.2.3 评分加权生成推荐列表 | 第30页 |
| 4.2.4 新用户计算聚类，形成推荐列表 | 第30-31页 |
| 4.3 实验设计与结果分析 | 第31-32页 |
| 4.3.1 实验设计 | 第31页 |
| 4.3.2 实验结果分析 | 第31-32页 |
| 4.4 本章小结 | 第32-33页 |
| 第五章 基金个性化推荐系统设计与实现 | 第33-42页 |
| 5.1 多策略推荐系统的架构 | 第33-35页 |
| 5.2 多策略推荐系统关键模块设计与实现 | 第35-39页 |
| 5.2.1 数据预处理模块 | 第35-36页 |
| 5.2.2 基于用户聚类的评分加权推荐模块 | 第36页 |
| 5.2.3 基于项目的协同过滤推荐模块 | 第36-37页 |
| 5.2.4 基于内容的推荐模块 | 第37页 |
| 5.2.5 数据存储模块 | 第37-39页 |
| 5.3 多策略推荐系统效果实验分析 | 第39-41页 |
| 5.3.1 实验过程设计 | 第39页 |
| 5.3.2 实验结果展示 | 第39-41页 |
| 5.4 本章小结 | 第41-42页 |
| 第六章 总结与展望 | 第42-44页 |
| 6.1 本文工作总结 | 第42-43页 |
| 6.2 未来工作展望 | 第43-44页 |
| 参考文献 | 第44-46页 |
| 致谢 | 第46页 |
