基于用户评论评分与信任度的协同过滤算法研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 论文研究内容 | 第12页 |
| 1.4 论文章节安排 | 第12-13页 |
| 1.5 本章小结 | 第13-14页 |
| 2 个性化推荐系统 | 第14-28页 |
| 2.1 推荐系统概述 | 第14-16页 |
| 2.2 主流的推荐算法 | 第16-23页 |
| 2.2.1 基于内容的推荐 | 第16-17页 |
| 2.2.2 协同过滤推荐 | 第17-19页 |
| 2.2.3 基于人口统计学的推荐 | 第19-20页 |
| 2.2.4 基于关联规则的推荐 | 第20-21页 |
| 2.2.5 基于标签的推荐 | 第21-22页 |
| 2.2.6 基于社会网络分析的推荐 | 第22-23页 |
| 2.2.7 组合推荐 | 第23页 |
| 2.3 推荐系统评测 | 第23-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 评论分析及信任度相关推荐算法研究 | 第28-39页 |
| 3.1 传统协同过滤推荐算法 | 第28-33页 |
| 3.1.1 基于用户的协同过滤算法 | 第28-31页 |
| 3.1.2 基于物品的协同过滤算法 | 第31-32页 |
| 3.1.3 SlopeOne推荐算法 | 第32-33页 |
| 3.2 用户评论分析 | 第33-36页 |
| 3.2.1 用户评论特点研究 | 第34页 |
| 3.2.2 评论元素分析 | 第34-35页 |
| 3.2.3 评论主题模型 | 第35-36页 |
| 3.3 用户信任分析 | 第36-38页 |
| 3.3.1 用户信任特点研究 | 第37页 |
| 3.3.2 信任计算模型 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 4 基于评论评分与信任度的协同过滤算法 | 第39-47页 |
| 4.1 评论主题分布及评论影响因子的提出 | 第39-42页 |
| 4.1.1 用户偏好 | 第39-41页 |
| 4.1.2 评论差异度 | 第41页 |
| 4.1.3 评论帮助度 | 第41-42页 |
| 4.2 基于评论评分与信任度的协同过滤算法 | 第42-46页 |
| 4.2.1 改进的用户偏好 | 第42-44页 |
| 4.2.2 用户信任度 | 第44-45页 |
| 4.2.3 用户相似度 | 第45页 |
| 4.2.4 评分预测 | 第45-46页 |
| 4.3 本章小结 | 第46-47页 |
| 5 实验设计与结果分析 | 第47-57页 |
| 5.1 实验数据集与环境 | 第47-49页 |
| 5.1.1 实验数据集 | 第47-49页 |
| 5.1.2 实验平台 | 第49页 |
| 5.2 评价指标 | 第49页 |
| 5.3 对比算法描述 | 第49-50页 |
| 5.4 实验设计和结果分析 | 第50-56页 |
| 5.5 本章小结 | 第56-57页 |
| 6 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 附录 | 第65页 |
| A．作者在攻读硕士学位期间所发表的文章 | 第65页 |
