融合EMD距离与用户兴趣的PMF推荐算法研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景 | 第10-12页 |
| 1.1.1 研究意义及目的 | 第10-11页 |
| 1.1.2 研究现状 | 第11-12页 |
| 1.2 本文工作 | 第12-14页 |
| 第2章 相关分类以及知识介绍 | 第14-25页 |
| 2.1 协同过滤相关原理 | 第14页 |
| 2.2 协同过滤推荐算法分类 | 第14-20页 |
| 2.2.1 基于项目的协同过滤 | 第15-16页 |
| 2.2.2 基于用户的协同过滤 | 第16-17页 |
| 2.2.3 基于模型的协同过滤 | 第17-20页 |
| 2.3 相似度计算方法 | 第20-22页 |
| 2.3.1 余弦相似性 | 第20-22页 |
| 2.3.2 欧氏距离相似性 | 第22页 |
| 2.4 推荐系统评测 | 第22-24页 |
| 2.4.1 预测准确性 | 第22-23页 |
| 2.4.2 分类准确度 | 第23页 |
| 2.4.3 新颖性和满意度 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 融合EMD距离与用户兴趣的混合相似度算法 | 第25-39页 |
| 3.1 稀疏性问题及当前解决办法 | 第25-26页 |
| 3.2 基于EMD距离的用户相似度计算方法 | 第26-29页 |
| 3.3 基于用户兴趣度的相似度计算方法 | 第29-31页 |
| 3.4 融合EMD距离与用户兴趣的混合相似度算法 | 第31-33页 |
| 3.4.1 算法思想 | 第31-32页 |
| 3.4.2 算法设计 | 第32-33页 |
| 3.5 实验设计与分析 | 第33-38页 |
| 3.5.1 实验数据及环境 | 第33-34页 |
| 3.5.2 实验方案 | 第34-35页 |
| 3.5.3 实验结果与分析 | 第35-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第4章 融合相似度与信任度的PMF推荐算法 | 第39-49页 |
| 4.1 问题提出 | 第39-40页 |
| 4.2 算法内容 | 第40-44页 |
| 4.2.1 算法思想 | 第40-43页 |
| 4.2.2 算法设计 | 第43-44页 |
| 4.3 实验设计与分析 | 第44-48页 |
| 4.3.1 实验数据及环境 | 第44-45页 |
| 4.3.2 实验方案 | 第45页 |
| 4.3.3 实验结果与分析 | 第45-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 结论与展望 | 第49-51页 |
| 5.1 本文总结 | 第49-50页 |
| 5.2 存在问题及展望 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 作者简介及在学期间所取得的科研成果 | 第54-55页 |
| 致谢 | 第55页 |
