摘要 | 第5-7页 |
Abstract | 第7-8页 |
1 绪论 | 第15-28页 |
1.1 研究背景 | 第15-17页 |
1.1.1 信息检索与信息过滤 | 第15-16页 |
1.1.2 个性化推荐系统与协同过滤技术 | 第16-17页 |
1.2 国内外研究现状 | 第17-24页 |
1.2.1 国内研究现状 | 第17-19页 |
1.2.2 国外研究现状 | 第19-24页 |
1.3 课题的主要研究内容及意义 | 第24-26页 |
1.3.1 协同过滤面临的问题与挑战 | 第24-25页 |
1.3.2 本文的研究工作 | 第25-26页 |
1.4 论文结构 | 第26-28页 |
2 相关工作 | 第28-54页 |
2.1 个性化推荐系统的一般框架 | 第28-29页 |
2.2 协同过滤算法 | 第29-45页 |
2.2.1 协同过滤算法概述 | 第29-32页 |
2.2.2 协同过滤算法分类 | 第32-33页 |
2.2.3 基于用户的协同过滤算法 | 第33-38页 |
2.2.4 基于项目的协同过滤算法 | 第38-43页 |
2.2.5 基于模型的协同过滤算法 | 第43-45页 |
2.3 其它个性化推荐技术 | 第45-47页 |
2.3.1 基于内容的推荐技术 | 第45-46页 |
2.3.2 组合推荐技术 | 第46-47页 |
2.4 数据集与评价指标 | 第47-53页 |
2.4.1 数据集 | 第47-48页 |
2.4.2 评价方式与评价指标 | 第48-53页 |
2.5 本章小结 | 第53-54页 |
3 基于相关度的稀疏性问题研究 | 第54-73页 |
3.1 相关研究 | 第54-56页 |
3.2 基于相关度的协同过滤算法 | 第56-64页 |
3.2.1 问题分析 | 第57-59页 |
3.2.2 基于关联度的协同过滤算法 | 第59-61页 |
3.2.3 相似度改进 | 第61-63页 |
3.2.4 推荐产生及算法流程 | 第63-64页 |
3.3 实验结果及分析 | 第64-72页 |
3.3.1 数据预处理 | 第64-65页 |
3.3.2 实验结果及分析 | 第65-72页 |
3.4 本章小结 | 第72-73页 |
4 基于局部填充的用户冷启动问题研究 | 第73-85页 |
4.1 相关研究 | 第73-74页 |
4.2 基于局部填充的协同过滤算法 | 第74-78页 |
4.2.1 问题分析 | 第74-75页 |
4.2.2 局部填充方法 | 第75-77页 |
4.2.3 推荐产生及算法流程 | 第77-78页 |
4.3 实验结果及分析 | 第78-84页 |
4.3.1 数据预处理 | 第78-79页 |
4.3.2 相似度公式的选取 | 第79-80页 |
4.3.3 实验结果及分析 | 第80-84页 |
4.4 本章小结 | 第84-85页 |
5 基于聚类专家选择的可扩展性问题研究 | 第85-94页 |
5.1 相关研究 | 第85-87页 |
5.2 基于聚类的专家选择算法 | 第87-88页 |
5.2.1 基于专家的协同过滤算法 | 第87-88页 |
5.2.2 基于聚类的专家选择 | 第88页 |
5.3 实验结果及分析 | 第88-93页 |
5.3.1 实验数据 | 第88-90页 |
5.3.2 实验结果及分析 | 第90-93页 |
5.4 本章小结 | 第93-94页 |
6 面向适应学习服务的协同过滤系统研究与实现 | 第94-109页 |
6.1 系统设计 | 第94-99页 |
6.1.1 系统体系结构 | 第94-96页 |
6.1.2 系统功能模块设计 | 第96-99页 |
6.2 系统实现 | 第99-105页 |
6.2.1 相关环境及技术 | 第99页 |
6.2.2 用户行为记录与分析 | 第99-101页 |
6.2.3 算法库与综合Item-based CF算法实现 | 第101-104页 |
6.2.4 算法库与基于聚类的专家选择算法实现 | 第104-105页 |
6.2.5 算法配置模块 | 第105页 |
6.3 系统效果与分析 | 第105-108页 |
6.3.1 系统效果 | 第105-106页 |
6.3.2 系统功能比较 | 第106-107页 |
6.3.3 系统性能分析 | 第107-108页 |
6.4 本章小结 | 第108-109页 |
7 总结与展望 | 第109-112页 |
7.1 总结 | 第109-110页 |
7.2 展望 | 第110-112页 |
参考文献 | 第112-122页 |
攻读博士研究生期间发表的论文和科研成果 | 第122-123页 |
致谢 | 第123页 |