基于加权关联规则和浏览行为的个性化推荐
| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-9页 |
| 1 绪论 | 第9-14页 |
| ·选题背景及研究意义 | 第9-10页 |
| ·个性化推荐系统研究现状 | 第10-12页 |
| ·个性化推荐系统面临的主要挑战 | 第12-13页 |
| ·本文研究的主要内容 | 第13页 |
| ·本章小结 | 第13-14页 |
| 2 个性化推荐系统及相关技术简介 | 第14-19页 |
| ·个性化推荐系统 | 第14-15页 |
| ·推荐系统的定义 | 第14页 |
| ·推荐系统的分类 | 第14-15页 |
| ·相关技术 | 第15-18页 |
| ·信息过滤技术 | 第15-16页 |
| ·数据挖掘技术 | 第16-18页 |
| ·本章小结 | 第18-19页 |
| 3 基于加权关联规则和浏览行为的个性化推荐模型 | 第19-26页 |
| ·传统的个性化推荐过程 | 第19-22页 |
| ·用户信息数据的收集 | 第19页 |
| ·发现最近邻居 | 第19-21页 |
| ·产生推荐数据集 | 第21-22页 |
| ·新的个性化推荐模型 | 第22-25页 |
| ·传统个性化推荐模型的缺点 | 第22-23页 |
| ·基于加权关联规则和浏览行为的个性化推荐 | 第23-25页 |
| ·本章小结 | 第25-26页 |
| 4 基于用户浏览行为的近期兴趣视图 | 第26-31页 |
| ·隐式收集用户信息数据 | 第26-27页 |
| ·隐式收集用户信息数据的优点 | 第26页 |
| ·隐式收集用户信息数据的分类 | 第26-27页 |
| ·基于用户浏览行为的近期兴趣视图 | 第27-30页 |
| ·用户浏览行为的捕获 | 第27页 |
| ·基于浏览行为分析的兴趣度计算 | 第27-28页 |
| ·用户近期兴趣视图的生成 | 第28-30页 |
| ·本章小结 | 第30-31页 |
| 5 基于加权关联规则的最近邻关注项目发现 | 第31-39页 |
| ·基于关联规则的最近邻居项发现 | 第31-33页 |
| ·关联规则概述 | 第31-32页 |
| ·传统的关联规则挖掘算法 | 第32-33页 |
| ·一种新的基于加权关联规则的最近邻居项发现算法 | 第33-38页 |
| ·加权关联规则模型 | 第33-34页 |
| ·基于加权关联规则的最近邻关注项目发现算法 | 第34-38页 |
| ·本章小结 | 第38-39页 |
| 6 基于加权关联规则和浏览行为的个性化推荐 | 第39-48页 |
| ·常用的个性化推荐算法概述 | 第39-43页 |
| ·基于关联规则的推荐算法 | 第39-41页 |
| ·基于内容的协作过滤推荐算法 | 第41-43页 |
| ·基于加权关联规则的用户长期关注项目推荐算法 | 第43-45页 |
| ·推荐度 | 第43-44页 |
| ·选择关注度的引入 | 第44-45页 |
| ·用户关注项目推荐集的产生 | 第45页 |
| ·基于近期兴趣视图的用户近期兴趣推荐算法 | 第45-47页 |
| ·基于内容的信息推荐 | 第45-46页 |
| ·基于协作过滤的推荐 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 7 实验结果及分析 | 第48-58页 |
| ·用户长期关注项目推荐的实验 | 第48-52页 |
| ·数据预处理 | 第48-50页 |
| ·三种算法准确率和性能比较 | 第50-52页 |
| ·基于用户近期兴趣视图的推荐 | 第52-57页 |
| ·本章小结 | 第57-58页 |
| 8 总结与展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-63页 |
| 附录 | 第63-64页 |
| 独创性声明 | 第64页 |
| 学位论文版权使用授权书 | 第64页 |
