基于场景感知的推荐系统研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 论文的研究背景及意义 | 第11-13页 |
| 1.1.1 推荐系统的研究背景和意义 | 第11-12页 |
| 1.1.2 数据可视化的产生背景 | 第12-13页 |
| 1.2 相关技术的研究现状 | 第13-15页 |
| 1.2.1 推荐系统的国内外研究现状 | 第13-14页 |
| 1.2.2 数据可视化的国内外研究现状 | 第14-15页 |
| 1.3 论文主要研究内容和结构 | 第15-16页 |
| 1.4 本章小结 | 第16-17页 |
| 第二章 推荐系统与可视化概述 | 第17-31页 |
| 2.1 推荐系统概述 | 第17-27页 |
| 2.1.1 电子商务推荐系统层次结构 | 第17-18页 |
| 2.1.2 现有推荐算法 | 第18-26页 |
| 2.1.3 推荐系统面临的主要挑战 | 第26-27页 |
| 2.2 数据可视化概述 | 第27-30页 |
| 2.2.1 数据可视化一般步骤 | 第27-28页 |
| 2.2.2 前端数据可视化关键技术 | 第28-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第三章 场景感知推荐算法 | 第31-51页 |
| 3.1 场景定义 | 第31页 |
| 3.2 场景感知 | 第31-32页 |
| 3.3 场景感知在推荐系统中的应用 | 第32-34页 |
| 3.3.1 场景感知系统的基本结构 | 第32-33页 |
| 3.3.2 场景感知推荐与传统推荐的对比分析 | 第33-34页 |
| 3.3.3 场景感知推荐系统基本结构 | 第34页 |
| 3.4 场景感知的协同过滤推荐算法 | 第34-41页 |
| 3.4.1 场景感知的协同过滤算法模型架构图 | 第35页 |
| 3.4.2 算法步骤 | 第35-36页 |
| 3.4.3 输入信息分析 | 第36-38页 |
| 3.4.4 相似用户和预测评分计算 | 第38-40页 |
| 3.4.5 推荐结果显示 | 第40-41页 |
| 3.5 张量分解模型法 | 第41-46页 |
| 3.5.1 稀疏矩阵分解和填充 | 第41-43页 |
| 3.5.2 张量矩阵协同分解与填充 | 第43-46页 |
| 3.6 实验与结果分析 | 第46-50页 |
| 3.6.1 实验环境 | 第46页 |
| 3.6.2 实验数据集 | 第46页 |
| 3.6.3 评价指标 | 第46-47页 |
| 3.6.4 实验结果对比分析 | 第47-50页 |
| 3.7 本章小结 | 第50-51页 |
| 第四章 场景感知的推荐与可视化系统实现 | 第51-62页 |
| 4.1 推荐系统整体架构 | 第51页 |
| 4.2 模块简介 | 第51-58页 |
| 4.2.1 数据库 | 第52页 |
| 4.2.2 用户输入 | 第52-53页 |
| 4.2.3 数据处理 | 第53页 |
| 4.2.4 推荐计算 | 第53页 |
| 4.2.5 推荐结果列表 | 第53-54页 |
| 4.2.6 可视化映射与可视化显示 | 第54-58页 |
| 4.3 实验环境 | 第58页 |
| 4.4 实验结果展示 | 第58-61页 |
| 4.4.1 预测评分 | 第59-60页 |
| 4.4.2 推荐列表 | 第60-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 论文总结 | 第62-65页 |
| 参考文献 | 第65-68页 |
| 致谢 | 第68-69页 |
| 攻读学位期间发表的学术论文目录 | 第69页 |
