基于用户偏好和近邻迭代的推荐算法研究与应用
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 研究现状 | 第12-14页 |
| 1.2.2 问题和挑战 | 第14-16页 |
| 1.3 本文研究内容 | 第16-17页 |
| 1.4 本文组织结构 | 第17-19页 |
| 第2章 推荐及常用推荐算法 | 第19-35页 |
| 2.1 推荐及推荐算法定义 | 第19-21页 |
| 2.1.1 推荐算法的定义 | 第19-20页 |
| 2.1.2 推荐算法流程 | 第20-21页 |
| 2.2 常用推荐算法 | 第21-32页 |
| 2.2.1 基于内容的推荐算法 | 第21-23页 |
| 2.2.2 基于用户的协同过滤 | 第23-25页 |
| 2.2.3 基于项目的协同过滤 | 第25-27页 |
| 2.2.4 基于关联规则的推荐算法 | 第27-28页 |
| 2.2.5 基于用户和项目加权的推荐算法 | 第28-30页 |
| 2.2.6 其它推荐算法 | 第30-32页 |
| 2.3 Spark平台 | 第32-34页 |
| 2.3.1 Spark概述 | 第32页 |
| 2.3.2 弹性分布数据集 | 第32-33页 |
| 2.3.3 Spark运行架构 | 第33-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第3章 用户偏好加权及其推荐算法 | 第35-51页 |
| 3.1 用户偏好与偏好模型 | 第35-37页 |
| 3.1.1 用户偏好 | 第35-36页 |
| 3.1.2 偏好模型 | 第36-37页 |
| 3.2 用户偏好相似度加权的推荐算法 | 第37-40页 |
| 3.2.1 用户偏好算法原理 | 第37-39页 |
| 3.2.2 用户偏好相似度加权 | 第39-40页 |
| 3.3 改进用户偏好推荐算法 | 第40-45页 |
| 3.3.1 算法概述 | 第40-42页 |
| 3.3.2 改进用户偏好矩阵 | 第42-44页 |
| 3.3.3 预测评分加权 | 第44页 |
| 3.3.4 算法流程 | 第44-45页 |
| 3.4 实验结果与分析 | 第45-50页 |
| 3.4.1 实验环境 | 第45页 |
| 3.4.2 评价标准 | 第45-47页 |
| 3.4.3 数据集 | 第47页 |
| 3.4.4 实验结果 | 第47-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第4章 近邻迭代推荐算法 | 第51-63页 |
| 4.1 近邻度量方式 | 第51-52页 |
| 4.2 用户最近邻选择 | 第52-53页 |
| 4.3 近邻迭代 | 第53-57页 |
| 4.3.1 近邻迭代原理 | 第53-55页 |
| 4.3.2 初始邻居选择 | 第55-56页 |
| 4.3.3 迭代近邻选择 | 第56-57页 |
| 4.3.4 算法流程 | 第57页 |
| 4.4 预测倾向 | 第57-58页 |
| 4.5 实验结果与分析 | 第58-61页 |
| 4.6 本章小结 | 第61-63页 |
| 第5章 电影推荐系统的设计和实现 | 第63-73页 |
| 5.1 系统概述 | 第63-64页 |
| 5.2 架构设计 | 第64-69页 |
| 5.2.1 系统总设计 | 第64-66页 |
| 5.2.2 爬虫设计 | 第66-68页 |
| 5.2.3 算法并行化设计 | 第68-69页 |
| 5.3 系统实现 | 第69-71页 |
| 5.4 本章小结 | 第71-73页 |
| 第6章 总结与展望 | 第73-75页 |
| 6.1 本文总结 | 第73-74页 |
| 6.2 研究展望 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-81页 |
| 攻读学位期间参与的项目 | 第81页 |
