基于协同过滤的个性化推荐系统研究
| 摘要 | 第2-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第9-15页 |
| 1.1 论文的研究目的和意义 | 第9-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.2.1 理论研究现状 | 第10-11页 |
| 1.2.2 实际应用现状 | 第11-13页 |
| 1.3 论文主要内容和章节安排 | 第13-15页 |
| 1.3.1 本文主要内容 | 第13页 |
| 1.3.2 本文组织结构 | 第13-15页 |
| 2 协同过滤推荐系统相关知识 | 第15-29页 |
| 2.1 推荐系统 | 第15-19页 |
| 2.1.1 推荐系统概述 | 第15-16页 |
| 2.1.2 推荐方法分类 | 第16-19页 |
| 2.2 协同过滤推荐理论 | 第19-26页 |
| 2.2.1 协同过滤推荐原理 | 第19-22页 |
| 2.2.2 协同过滤推荐分类 | 第22页 |
| 2.2.3 基于邻域的协同过滤推荐 | 第22-25页 |
| 2.2.4 基于模型的协同过滤推荐 | 第25-26页 |
| 2.3 协同过滤推荐优势与面临的挑战 | 第26-28页 |
| 2.3.1 协同过滤推荐优势 | 第26-27页 |
| 2.3.2 协同过滤推荐面临的挑战 | 第27-28页 |
| 2.4 小结 | 第28-29页 |
| 3 基于多权重的相似性度量方法 | 第29-44页 |
| 3.1 传统相似性度量方法及缺陷 | 第29-32页 |
| 3.1.1 余弦相似度 | 第29-30页 |
| 3.1.2 皮尔逊相关系数 | 第30-31页 |
| 3.1.3 杰卡尔德相似系数 | 第31-32页 |
| 3.2 数据预处理及特征分析 | 第32-35页 |
| 3.2.1 数据清洗 | 第32-34页 |
| 3.2.2 数据变换 | 第34页 |
| 3.2.3 特征分析 | 第34-35页 |
| 3.3 基于多权重的相似度方法 | 第35-38页 |
| 3.3.1 考虑热门物品的相似度计算 | 第35-36页 |
| 3.3.2 考虑活跃用户的相似度计算 | 第36页 |
| 3.3.3 考虑时间信息的相似度计算 | 第36-37页 |
| 3.3.4 改进相似度方法的协同过滤推荐 | 第37-38页 |
| 3.4 仿真实验与结果分析 | 第38-43页 |
| 3.4.1 评价标准 | 第39-40页 |
| 3.4.2 实验环境 | 第40页 |
| 3.4.3 实验设计 | 第40页 |
| 3.4.4 实验结果与分析 | 第40-43页 |
| 3.5 本章小结 | 第43-44页 |
| 4 PSO确定近邻个数 | 第44-53页 |
| 4.1 优化背景及相关工作 | 第44-45页 |
| 4.1.1 优化背景 | 第44页 |
| 4.1.2 相关工作 | 第44-45页 |
| 4.2 粒子群算法 | 第45-47页 |
| 4.3 基于粒子群确定近邻个数的协同过滤 | 第47-49页 |
| 4.3.1 粒子群确定近邻个数 | 第47-49页 |
| 4.3.2 基于粒子群的协同过滤 | 第49页 |
| 4.4 仿真实验与结果分析 | 第49-52页 |
| 4.4.1 实验环境 | 第49-50页 |
| 4.4.2 数据集与评价标准 | 第50页 |
| 4.4.3 实验结果与分析 | 第50-52页 |
| 4.5 本章小结 | 第52-53页 |
| 5 个性化推荐系统的设计与实现 | 第53-66页 |
| 5.1 引言 | 第53页 |
| 5.2 系统设计 | 第53-59页 |
| 5.2.1 系统结构设计 | 第53-56页 |
| 5.2.2 关键功能模块设计 | 第56-57页 |
| 5.2.3 系统数据库设计 | 第57-59页 |
| 5.3 个性化推荐系统实现 | 第59-65页 |
| 5.3.1 系统实现环境 | 第59页 |
| 5.3.2 系统功能实现 | 第59-65页 |
| 5.4 本章小结 | 第65-66页 |
| 6 结论与展望 | 第66-69页 |
| 6.1 本文工作 | 第66页 |
| 6.2 未来展望 | 第66-69页 |
| 参考文献 | 第69-75页 |
| 攻读硕士学位期间发表的论文 | 第75-76页 |
| 致谢 | 第76-78页 |
