基于协同过滤的评分预测推荐算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 研究历史和现状 | 第11-13页 |
| 1.3 本文研究内容 | 第13页 |
| 1.4 本文结构 | 第13-15页 |
| 第2章 推荐系统及协同过滤简介 | 第15-25页 |
| 2.1 推荐系统模块介绍 | 第15-16页 |
| 2.2 常用推荐算法 | 第16-21页 |
| 2.2.1 基于内容的推荐 | 第17-19页 |
| 2.2.2 协同过滤推荐 | 第19-20页 |
| 2.2.3 混合推荐算法 | 第20-21页 |
| 2.3 协同过滤算法简介 | 第21-22页 |
| 2.3.1 基于内存的协同过滤 | 第21页 |
| 2.3.2 基于模型的协同过滤算法 | 第21-22页 |
| 2.3.3 协同过滤算法存在的问题 | 第22页 |
| 2.4 推荐系统评测 | 第22-23页 |
| 2.5 本章小结 | 第23-25页 |
| 第3章 基于内存的协同过滤推荐算法 | 第25-35页 |
| 3.1 基于用户的协同过滤 | 第25-27页 |
| 3.1.1 基于用户的协同过滤基本思想 | 第25-26页 |
| 3.1.2 基于用户的协同过滤的优缺点 | 第26-27页 |
| 3.2 基于项目的协同过滤 | 第27-28页 |
| 3.2.1 基于项目的协同过滤基本思想 | 第27-28页 |
| 3.2.2 基于项目的协同过滤的优缺点 | 第28页 |
| 3.3 Slope One算法 | 第28-29页 |
| 3.3.1 Slope One基本思想 | 第28-29页 |
| 3.3.2 Slope One算法的优缺点 | 第29页 |
| 3.4 实验与总结 | 第29-33页 |
| 3.4.1 数据集简介 | 第29-30页 |
| 3.4.2 实验设计与分析 | 第30-33页 |
| 3.5 本章小结 | 第33-35页 |
| 第4章 基于矩阵分解的协同过滤推荐算法 | 第35-47页 |
| 4.1 RSVD算法 | 第35-37页 |
| 4.2 融入用户项目特征信息的动态RSVD算法 | 第37-41页 |
| 4.2.1 融入时间信息的RSVD算法 | 第37-39页 |
| 4.2.2 融入用户项目特征信息的RSVD算法 | 第39-40页 |
| 4.2.3 模型优化和算法描述 | 第40-41页 |
| 4.3 实验与总结 | 第41-46页 |
| 4.3.1 数据集简介 | 第41-42页 |
| 4.3.2 实验设计与分析 | 第42-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 基于受限玻尔兹曼机的协同过滤算法 | 第47-59页 |
| 5.1 受限玻尔兹曼机简介 | 第47-49页 |
| 5.1.1 受限玻尔兹曼机基本模型 | 第47-48页 |
| 5.1.2 对比散度快速学习RBM | 第48-49页 |
| 5.2 基于受限波尔兹曼机的协同过滤算法 | 第49-53页 |
| 5.2.1 基于用户的受限玻尔兹曼机协同过滤算法 | 第49-50页 |
| 5.2.2 基于项目的受限玻尔兹曼机协同过滤算法 | 第50-51页 |
| 5.2.3 参数学习 | 第51-52页 |
| 5.2.4 评分预测 | 第52-53页 |
| 5.3 实验与总结 | 第53-57页 |
| 5.3.1 数据集简介 | 第53页 |
| 5.3.2 实验设计与分析 | 第53-57页 |
| 5.4 本章小结 | 第57-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间所取得的研究成果 | 第65-67页 |
| 致谢 | 第67页 |
