基于推荐权重和动态可靠近邻的协同过滤算法
| 中文摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-12页 |
| ·研究背景和意义 | 第8-9页 |
| ·研究内容 | 第9-10页 |
| ·论文组织结构 | 第10-11页 |
| ·本章小结 | 第11-12页 |
| 第二章 推荐系统和相关技术 | 第12-19页 |
| ·推荐系统综述 | 第12页 |
| ·推荐系统结构 | 第12-14页 |
| ·相关技术 | 第14-17页 |
| ·基于内容的推荐 | 第14-15页 |
| ·关联规则 | 第15-16页 |
| ·基于协同过滤的推荐 | 第16-17页 |
| ·推荐技术比较 | 第17-18页 |
| ·本章小结 | 第18-19页 |
| 第三章 协同过滤算法 | 第19-33页 |
| ·基于模型的协同过滤 | 第19-21页 |
| ·贝叶斯网络模型 | 第20页 |
| ·聚类模型 | 第20-21页 |
| ·基于内存的协同过滤 | 第21-28页 |
| ·基于用户的协同过滤 | 第21-25页 |
| ·基于项目的协同过滤 | 第25-28页 |
| ·协同过滤算法现有的问题及解决方法 | 第28-29页 |
| ·现有的解决方法 | 第29-32页 |
| ·基于内容和协同过滤的混合算法 | 第29-30页 |
| ·SVD降维 | 第30-31页 |
| ·基于用户兴趣变化的协同过滤算法 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第四章 基于动态近邻的协同过滤算法 | 第33-36页 |
| ·传统的K近邻法分析 | 第33页 |
| ·动态选择目标的近邻 | 第33-34页 |
| ·推荐权重 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第五章 基于可靠近邻的协同过滤算法 | 第36-39页 |
| ·传统的评分预测方法 | 第36页 |
| ·基于可靠邻居的评分预测方法 | 第36页 |
| ·冷启动问题 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 第六章 实验设计和结果分析 | 第39-49页 |
| ·数据集与实验环境 | 第39-40页 |
| ·数据集 | 第39页 |
| ·实验环境 | 第39-40页 |
| ·评价标准 | 第40-41页 |
| ·统计准确性度量法 | 第40页 |
| ·决策支持准确性度量法 | 第40-41页 |
| ·实验方案设计 | 第41页 |
| ·实验结果及分析 | 第41-48页 |
| ·本章小结 | 第48-49页 |
| 第七章 总结与展望 | 第49-51页 |
| ·本文总结 | 第49页 |
| ·工作展望 | 第49-51页 |
| 参考文献 | 第51-54页 |
| 在学期间的研究成果 | 第54-55页 |
| 致谢 | 第55页 |
