基于协同过滤的推荐算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题研究的背景 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 个性化推荐系统所面临的挑战 | 第15-16页 |
| 1.4 本文主要工作 | 第16-17页 |
| 1.5 本文篇章结构 | 第17-19页 |
| 第2章 个性化推荐系统 | 第19-38页 |
| 2.1 个性化推荐系统简介 | 第19-26页 |
| 2.1.1 个性化推荐系统的主要概念 | 第19-23页 |
| 2.1.2 个性化推荐系统的框架结构 | 第23-26页 |
| 2.2 主要的推荐算法介绍 | 第26-32页 |
| 2.2.1 基于关联规则的推荐算法 | 第26页 |
| 2.2.2 基于内容的推荐算法 | 第26-27页 |
| 2.2.3 协同过滤推荐算法 | 第27-29页 |
| 2.2.4 其它推荐算法 | 第29-30页 |
| 2.2.5 不同推荐算法的比较 | 第30-32页 |
| 2.3 个性化推荐算法的评价方法 | 第32-37页 |
| 2.3.1 用户满意程度 | 第32-33页 |
| 2.3.2 预测准确度 | 第33-34页 |
| 2.3.3 覆盖率 | 第34页 |
| 2.3.4 多样性 | 第34-35页 |
| 2.3.5 新颖性 | 第35页 |
| 2.3.6 实时性 | 第35-36页 |
| 2.3.7 信任度 | 第36页 |
| 2.3.8 健壮性 | 第36-37页 |
| 2.4 本章小结 | 第37-38页 |
| 第3章 协同过滤推荐算法 | 第38-46页 |
| 3.1 协同过滤简介 | 第38页 |
| 3.2 协同过滤算法的分类 | 第38-40页 |
| 3.2.1 基于内存的协同过滤 | 第39页 |
| 3.2.2 基于模型的协同过滤 | 第39-40页 |
| 3.3 协同过滤算法流程 | 第40-42页 |
| 3.4 协同过滤算法的缺点以及常用的解决方法 | 第42-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 传统的协同过滤算法及改进 | 第46-63页 |
| 4.1 基于用户的协同过滤算法 | 第46-52页 |
| 4.1.1 计算用户之间的相似性 | 第47-49页 |
| 4.1.2 选取用户的最近邻居 | 第49-50页 |
| 4.1.3 产生推荐 | 第50-52页 |
| 4.2 基于项目的协同过滤算法 | 第52-56页 |
| 4.2.1 项目相似度计算 | 第53-54页 |
| 4.2.2 选取项目的最近邻居 | 第54-55页 |
| 4.2.3 产生推荐 | 第55-56页 |
| 4.3 改进的协同过滤算法 | 第56-61页 |
| 4.3.1 相似性计算方法的改进 | 第56-58页 |
| 4.3.2 用户评分预测的改进 | 第58-59页 |
| 4.3.3 改进的协同过滤算法的步骤 | 第59-61页 |
| 4.4 本章小结 | 第61-63页 |
| 第5章 改进的协同过滤算法的实验 | 第63-70页 |
| 5.1 实验数据与实验环境 | 第63-64页 |
| 5.1.1 实验数据 | 第63页 |
| 5.1.2 实验环境 | 第63-64页 |
| 5.2 实验标准 | 第64页 |
| 5.3 实验设计 | 第64-66页 |
| 5.4 实验结果与分析 | 第66-69页 |
| 5.5 本章小结 | 第69-70页 |
| 第6章 总结与展望 | 第70-73页 |
| 6.1 总结 | 第70-71页 |
| 6.2 展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 附录一 程序主要代码 | 第77-91页 |
| 致谢 | 第91页 |
