潜在因子与多属性内容过滤推荐算法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-11页 |
| 1 绪论 | 第11-17页 |
| ·论文选题依据、研究背景及意义 | 第11-12页 |
| ·选题依据 | 第11页 |
| ·研究背景和问题的提出 | 第11-12页 |
| ·相关领域国内外发展现状 | 第12-14页 |
| ·矩阵模型 | 第12-13页 |
| ·主题模型 | 第13-14页 |
| ·二部图推荐算法 | 第14页 |
| ·论文主要研究内容及安排 | 第14-17页 |
| ·主要研究内容 | 第14-15页 |
| ·论文组织结构 | 第15-16页 |
| ·本章小结 | 第16-17页 |
| 2 推荐算法与评价标准 | 第17-27页 |
| ·相似度计算及 topN 推荐 | 第17-19页 |
| ·项目评分 pearson 相似度 | 第17-18页 |
| ·基于 Jaccard 相似度 | 第18页 |
| ·基于项目共现对（co-visit）的相似性 | 第18-19页 |
| ·基于 kNN 算法的 topN 推荐 | 第19页 |
| ·推荐算法的评价标准 | 第19-21页 |
| ·基于评分的评价标准 | 第20页 |
| ·基于 topN 的评价标准 | 第20-21页 |
| ·概率潜在语义分析（pLSA） | 第21-24页 |
| ·pLSA 模型 | 第21-22页 |
| ·EM 算法 | 第22-24页 |
| ·pLSA 模型预测公式 | 第24页 |
| ·推荐算法的面临的主要问题 | 第24-25页 |
| ·小结 | 第25-27页 |
| 3 推荐算法的潜在因子模型 | 第27-45页 |
| ·矩阵分解模型 | 第27-30页 |
| ·矩阵模型 | 第27-29页 |
| ·参数求解推导过程及算法 | 第29-30页 |
| ·加入基准偏移量和隐式评分的矩阵模型 | 第30-32页 |
| ·基准偏移量模型 | 第30页 |
| ·矩阵模型加入基准偏移量 | 第30-31页 |
| ·用户 u 历史隐式评分矩阵模型 | 第31-32页 |
| ·稀疏线性方法 | 第32-36页 |
| ·稀疏线性模型 | 第32-33页 |
| ·线性模型分析 | 第33页 |
| ·参数求解推导过程及算法 | 第33-36页 |
| ·线性模型预测 | 第36页 |
| ·基于上下文的潜在因子模型 | 第36-39页 |
| ·基于用户信任上下文矩阵模型 | 第37-38页 |
| ·信任稀疏线性模型 | 第38-39页 |
| ·基于项目上下文 | 第39页 |
| ·实验验证及分析 | 第39-44页 |
| ·历史隐式评分矩阵模型实验及结果 | 第39-40页 |
| ·用户信任上下文实验及结果 | 第40-43页 |
| ·稀疏线性模型实验 | 第43-44页 |
| ·小结 | 第44-45页 |
| 4 多属性内容过滤推荐算法 | 第45-57页 |
| ·单属性概率评分推荐 | 第45-46页 |
| ·项目对属性的概率评分 | 第45-46页 |
| ·单属性预测用户对项目评分 | 第46页 |
| ·用户项目多属性概率评分 | 第46-49页 |
| ·min-max 标准化 | 第46页 |
| ·概率评分的标准化 | 第46-47页 |
| ·多属性的选择 | 第47-48页 |
| ·按比例 topN 推荐 | 第48-49页 |
| ·SVR 多属性推荐算法 | 第49-52页 |
| ·支持向量机回归（SVR） | 第50-51页 |
| ·SVR 用户多属性模型 | 第51-52页 |
| ·SVR 多属性预测用户项目评分 | 第52页 |
| ·多属性实验结果及分析 | 第52-55页 |
| ·单属性实验结果及分析 | 第52-53页 |
| ·用户项目多属性实验结果及分析 | 第53-54页 |
| ·SVR 用户多属性实验结果及分析 | 第54-55页 |
| ·小结 | 第55-57页 |
| 5 混合推荐算法探讨 | 第57-60页 |
| ·混合方式 | 第57-59页 |
| ·整体式混合 | 第57页 |
| ·并行式混合 | 第57-58页 |
| ·串联混合 | 第58-59页 |
| ·潜在因子和多属性内容过滤混合策略 | 第59页 |
| ·小结 | 第59-60页 |
| 6 结论与展望 | 第60-63页 |
| ·结论 | 第60-61页 |
| ·展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 | 第67-68页 |
| 致谢 | 第68-70页 |
