融合用户差异度及信息熵的协同过滤推荐算法
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文主要研究内容及组织结构 | 第11-12页 |
| 1.3.1 主要研究内容 | 第11-12页 |
| 1.3.2 组织结构 | 第12页 |
| 1.4 本章小结 | 第12-14页 |
| 2 推荐系统及相关技术 | 第14-20页 |
| 2.1 推荐系统 | 第14-16页 |
| 2.2 常用推荐算法 | 第16-19页 |
| 2.2.1 基于内容推荐 | 第16-17页 |
| 2.2.2 协同过滤推荐 | 第17-18页 |
| 2.2.3 基于关联规则推荐 | 第18-19页 |
| 2.2.4 组合推荐 | 第19页 |
| 2.3 本章小结 | 第19-20页 |
| 3 协同过滤推荐算法研究 | 第20-34页 |
| 3.1 协同过滤推荐 | 第20-21页 |
| 3.2 协同过滤的分类 | 第21-29页 |
| 3.2.1 基于用户的协同过滤 | 第21-25页 |
| 3.2.2 基于项目的协同过滤 | 第25-26页 |
| 3.2.3 基于模型的协同过滤 | 第26-29页 |
| 3.3 协同过滤算法存在的问题 | 第29-30页 |
| 3.4 推荐算法评价 | 第30-32页 |
| 3.4.1 常用数据集 | 第30页 |
| 3.4.2 评价指标 | 第30-32页 |
| 3.5 本章小结 | 第32-34页 |
| 4 融合用户差异度及信息熵的Jaccard相似度 | 第34-46页 |
| 4.1 常用User-based的相似度 | 第34-36页 |
| 4.2 考虑用户差异度的Jaccard相似度 | 第36-40页 |
| 4.2.1 基于用户差异度的相似度推荐算法 | 第38-40页 |
| 4.3 融合信息熵的Jaccard相似度 | 第40-45页 |
| 4.3.1 信息熵 | 第40-41页 |
| 4.3.2 融合信息熵的Jaccard相似度 | 第41-43页 |
| 4.3.3 融合用户信息熵的相似度推荐算法 | 第43-45页 |
| 4.4 本章小结 | 第45-46页 |
| 5 实验设计及结果分析 | 第46-54页 |
| 5.1 实验数据和环境 | 第46页 |
| 5.2 评价指标 | 第46-47页 |
| 5.3 实验方案 | 第47页 |
| 5.4 实验结果和分析 | 第47-52页 |
| 5.5 本章小结 | 第52-54页 |
| 6 总结与展望 | 第54-56页 |
| 6.1 工作总结 | 第54页 |
| 6.2 展望 | 第54-56页 |
| 致谢 | 第56-58页 |
| 参考文献 | 第58-62页 |
