融合情境信息的个性化推荐方法研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 研究背景和意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 主要工作和创新点 | 第10-11页 |
| 1.4 本文组织结构 | 第11-12页 |
| 第二章 相关基础理论 | 第12-19页 |
| 2.1 传统推荐方法介绍 | 第12-16页 |
| 2.1.1 基于内容的推荐 | 第12-13页 |
| 2.1.2 基于协同过滤的推荐 | 第13-15页 |
| 2.1.3 混合推荐 | 第15-16页 |
| 2.2 情境感知推荐相关理论 | 第16-18页 |
| 2.2.1 常见的情境信息 | 第16-17页 |
| 2.2.2 情境的获取 | 第17页 |
| 2.2.3 情境感知推荐技术 | 第17-18页 |
| 2.3 本章小结 | 第18-19页 |
| 第三章 基于概率矩阵分解的时间敏感个性化推荐 | 第19-36页 |
| 3.1 符号说明及问题定义 | 第19-20页 |
| 3.2 概率矩阵分解模型 | 第20-22页 |
| 3.3 基于概率矩阵分解的时间敏感个性化推荐方法 | 第22-29页 |
| 3.3.1 用户-情境评分矩阵的构建 | 第22-25页 |
| 3.3.2 时间依赖相似度的度量 | 第25-26页 |
| 3.3.3 算法流程 | 第26-27页 |
| 3.3.4 改进的概率矩阵分解模型 | 第27-29页 |
| 3.4 实验结果和分析 | 第29-35页 |
| 3.4.1 实验数据集 | 第29-30页 |
| 3.4.2 模型评价指标 | 第30页 |
| 3.4.3 实验参数的选取 | 第30-31页 |
| 3.4.4 方法对比和实验结果分析 | 第31-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 具有可解释性的多渠道推荐方法 | 第36-45页 |
| 4.1 引言 | 第36-38页 |
| 4.1.1 可解释性推荐方法的研究现状 | 第36-37页 |
| 4.1.2 可解释性推荐方法面临的挑战 | 第37-38页 |
| 4.2 推荐解释模型 | 第38-40页 |
| 4.2.1 基于用户的推荐解释 | 第38-39页 |
| 4.2.2 时间感知推荐解释 | 第39-40页 |
| 4.2.3 类型感知推荐解释 | 第40页 |
| 4.3 模型融合方法 | 第40-41页 |
| 4.4 实验与分析 | 第41-44页 |
| 4.4.1 实验数据集 | 第41页 |
| 4.4.2 评估指标 | 第41-42页 |
| 4.4.3 实验结果分析 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 总结与展望 | 第45-47页 |
| 5.1 本文工作总结 | 第45页 |
| 5.2 展望 | 第45-47页 |
| 参考文献 | 第47-50页 |
| 发表论文和科研情况说明 | 第50-51页 |
| 致谢 | 第51页 |
