个性化推荐算法研究
| 摘要 | 第2-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状及发展趋势 | 第9-11页 |
| 1.2.1 协同过滤推荐系统 | 第9-10页 |
| 1.2.2 基于内容的推荐系统 | 第10页 |
| 1.2.3 混合式推荐系统 | 第10-11页 |
| 1.3 论文主要研究内容 | 第11-12页 |
| 1.4 章节安排 | 第12-13页 |
| 2 推荐系统相关技术 | 第13-21页 |
| 2.1 数据预处理技术 | 第13-16页 |
| 2.1.1 抽样 | 第13-14页 |
| 2.1.2 降维 | 第14-15页 |
| 2.1.3 去燥 | 第15页 |
| 2.1.4 变换 | 第15-16页 |
| 2.2 相似性度量 | 第16-17页 |
| 2.3 传统推荐技术 | 第17-18页 |
| 2.4 评价准则 | 第18-20页 |
| 2.4.1 预测准确度 | 第18-19页 |
| 2.4.2 覆盖率 | 第19-20页 |
| 2.4.3 多样性 | 第20页 |
| 2.5 本章小结 | 第20-21页 |
| 3 基于领域模型和动态时间的协同过滤推荐算法 | 第21-34页 |
| 3.1 基于邻域模型的协同过滤推荐算法 | 第21-24页 |
| 3.1.1 基于邻域模型的协同过滤推荐算法 | 第21-22页 |
| 3.1.2 相似度计算方法 | 第22页 |
| 3.1.3 算法优势 | 第22-23页 |
| 3.1.4 存在的问题 | 第23-24页 |
| 3.2 结合领域模型和动态时间的协同过滤推荐算法 | 第24-28页 |
| 3.2.1 改进相似度计算方法 | 第24-25页 |
| 3.2.2 结合行为数据的联合派生插值权重 | 第25-27页 |
| 3.2.3 结合动态时间的邻域模型 | 第27页 |
| 3.2.4 提出基于条件判断的评分结果 | 第27-28页 |
| 3.2.5 算法步骤描述 | 第28页 |
| 3.3 算法实验验证 | 第28-33页 |
| 3.3.1 实验环境 | 第28-29页 |
| 3.3.2 评价标准 | 第29页 |
| 3.3.3 实验结果分析 | 第29-33页 |
| 3.4 本章小结 | 第33-34页 |
| 4 基于矩阵分解的群组推荐算法 | 第34-48页 |
| 4.1 群组推荐系统 | 第34-38页 |
| 4.1.1 群组推荐系统生成推荐过程及策略 | 第35-36页 |
| 4.1.2 群组推荐系统的评价标准 | 第36-37页 |
| 4.1.3 群组推荐的优势 | 第37页 |
| 4.1.4 存在的问题 | 第37-38页 |
| 4.2 矩阵分解(SVD)算法 | 第38-39页 |
| 4.3 基于矩阵分解的群组推荐算法 | 第39-44页 |
| 4.3.1 基于SVD的群组发现方法 | 第39-42页 |
| 4.3.2 基于游走二部图的融合策略 | 第42-43页 |
| 4.3.3 算法步骤描述 | 第43-44页 |
| 4.4 算法实验验证 | 第44-47页 |
| 4.4.1 实验环境 | 第44-45页 |
| 4.4.2 评价标准 | 第45页 |
| 4.4.3 实验结果分析 | 第45-47页 |
| 4.5 本章小结 | 第47-48页 |
| 5 总结与展望 | 第48-50页 |
| 5.1 总结 | 第48页 |
| 5.2 展望 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 致谢 | 第54-56页 |
