基于常数复杂度距离函数的推荐算法研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究背景和意义 | 第8页 |
| 1.2 应用领域 | 第8-10页 |
| 1.2.1 电子商务 | 第8-9页 |
| 1.2.2 电影和视频网站 | 第9页 |
| 1.2.3 社交网络 | 第9-10页 |
| 1.2.4 基于位置的服务 | 第10页 |
| 1.2.5 其他方面 | 第10页 |
| 1.3 本文的主要内容 | 第10-11页 |
| 1.4 本文的组织结构 | 第11-12页 |
| 第2章 相关知识 | 第12-19页 |
| 2.1 推荐系统 | 第12-15页 |
| 2.1.1 评分系统 | 第12-13页 |
| 2.1.2 推荐算法 | 第13-14页 |
| 2.1.3 推荐指标 | 第14-15页 |
| 2.2 推荐方法 | 第15-16页 |
| 2.2.1 基于内容的推荐 | 第15页 |
| 2.2.2 协同过滤推荐 | 第15-16页 |
| 2.2.3 混合推荐 | 第16页 |
| 2.3 相似度与距离 | 第16-18页 |
| 2.3.1 余弦相似度 | 第17页 |
| 2.3.2 PEARSON相关系数 | 第17-18页 |
| 2.4 本章小结 | 第18-19页 |
| 第3章 M-DISTANCE距离函数 | 第19-21页 |
| 3.1 M-DISTANCE函数定义 | 第19-20页 |
| 3.2 时间复杂度分析 | 第20页 |
| 3.3 本章小结 | 第20-21页 |
| 第4章 MBR推荐算法 | 第21-32页 |
| 4.1 M-KNN推荐算法 | 第21-23页 |
| 4.1.1 计算距离 | 第21-22页 |
| 4.1.2 找邻居 | 第22页 |
| 4.1.3 预测评分 | 第22-23页 |
| 4.2 MBR推荐算法 | 第23-24页 |
| 4.3 预测过程 | 第24-28页 |
| 4.3.1 数据预处理阶段 | 第24-25页 |
| 4.3.2 在线预测阶段 | 第25-27页 |
| 4.3.3 数据更新阶段 | 第27-28页 |
| 4.4 时间复杂度分析 | 第28-29页 |
| 4.5 推荐过程 | 第29-31页 |
| 4.5.1 误推荐率 | 第29-30页 |
| 4.5.2 代价敏感 | 第30页 |
| 4.5.3 推荐阈值 | 第30-31页 |
| 4.6 本章小结 | 第31-32页 |
| 第5章 实验设计与结果 | 第32-40页 |
| 5.1 实验目的 | 第32页 |
| 5.2 数据集 | 第32-33页 |
| 5.2.1 数据集的介绍 | 第32页 |
| 5.2.2 数据集的处理 | 第32-33页 |
| 5.3 评价指标 | 第33-35页 |
| 5.3.1 准确率 | 第34页 |
| 5.3.2 时间效率 | 第34-35页 |
| 5.4 实验结果 | 第35-40页 |
| 5.4.1 参数确定 | 第35-36页 |
| 5.4.2 运行效率的比较 | 第36-38页 |
| 5.4.3 准确率的比较 | 第38-39页 |
| 5.4.4 推荐阈值的确定 | 第39-40页 |
| 第6章 图形用户界面 | 第40-43页 |
| 第7章 总结与展望 | 第43-45页 |
| 7.1 总结 | 第43页 |
| 7.2 展望 | 第43-45页 |
| 致谢 | 第45-46页 |
| 参考文献 | 第46-50页 |
| 攻读士学位期间发表的论文及科研成果 | 第50页 |
