利用关联数据中隐式反馈的Top-N推荐系统研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题背景及研究的目的和意义 | 第8-9页 |
| 1.2 国内外研究现状及分析 | 第9-12页 |
| 1.2.1 基于内容的方法 | 第9-10页 |
| 1.2.2 协同过滤方法 | 第10-11页 |
| 1.2.3 Top-N推荐方法 | 第11-12页 |
| 1.3 本文的主要研究内容 | 第12页 |
| 1.4 本文内容安排 | 第12-14页 |
| 第2章 基于混合方法的TOP-N推荐 | 第14-33页 |
| 2.1 引言 | 第14页 |
| 2.2 问题定义与符号说明 | 第14-15页 |
| 2.3 基于用户的协同过滤方法 | 第15-18页 |
| 2.3.1 基于用户近邻的分类 | 第15-16页 |
| 2.3.2 评分正则化 | 第16-17页 |
| 2.3.3 用户相似度计算 | 第17-18页 |
| 2.4 基于链接数据的方法 | 第18-24页 |
| 2.4.0 链接数据介绍 | 第19-21页 |
| 2.4.1 数据模型 | 第21-22页 |
| 2.4.2 基于内容的推荐 | 第22-24页 |
| 2.5 基于混合协同过滤方法 | 第24页 |
| 2.6 实验结果及分析 | 第24-32页 |
| 2.6.1 实验数据 | 第24-26页 |
| 2.6.2 评价标准 | 第26-27页 |
| 2.6.3 结果及分析 | 第27-32页 |
| 2.7 本章小结 | 第32-33页 |
| 第3章 基于图结构的TOP-N推荐 | 第33-49页 |
| 3.1 引言 | 第33页 |
| 3.2 数据模型 | 第33-34页 |
| 3.3 问题的定义 | 第34-35页 |
| 3.4 相似度计算 | 第35-42页 |
| 3.4.1 NOP算法 | 第35-38页 |
| 3.4.2 LODB算法 | 第38-42页 |
| 3.5 实验结果及分析 | 第42-47页 |
| 3.6 本章小结 | 第47-49页 |
| 第4章 基于路径特征的TOP-N推荐 | 第49-60页 |
| 4.1 引言 | 第49页 |
| 4.2 数据模型 | 第49-50页 |
| 4.3 问题的定义 | 第50页 |
| 4.4 特征提取 | 第50-53页 |
| 4.4.0 基于路径的特征 | 第50-52页 |
| 4.4.1 基于评分的特征 | 第52-53页 |
| 4.4.2 基于用户和物品特征 | 第53页 |
| 4.5 排序学习算法 | 第53-57页 |
| 4.6 实验结果及分析 | 第57-58页 |
| 4.6.1 实验数据及评价标准 | 第57页 |
| 4.6.2 结果及分析 | 第57-58页 |
| 4.7 本章小结 | 第58-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 致谢 | 第67页 |
