基于用户相似度的协同过滤推荐算法研究
| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 推荐系统的研究背景 | 第11-13页 |
| 1.2 推荐系统的研究现状 | 第13-16页 |
| 1.3 协同过滤算法面临的问题 | 第16-18页 |
| 1.3.1 数据稀疏性 | 第17页 |
| 1.3.2 准确度问题 | 第17页 |
| 1.3.3 可扩展性问题 | 第17页 |
| 1.3.4 稳定性问题 | 第17-18页 |
| 1.3.5 其他问题 | 第18页 |
| 1.4 主要研究内容 | 第18-19页 |
| 1.5 论文结构 | 第19-20页 |
| 第2章 个性化推荐系统 | 第20-34页 |
| 2.1 个性化推荐系统 | 第20-22页 |
| 2.1.1 个性化推荐系统概念 | 第20-21页 |
| 2.1.2 个性化推荐系统组成 | 第21页 |
| 2.1.3 个性化推荐系统的分类 | 第21-22页 |
| 2.2 基于内容的推荐 | 第22-25页 |
| 2.3 协同过滤推荐 | 第25-32页 |
| 2.3.1 协同过滤推荐的实现原理和分类 | 第25-27页 |
| 2.3.2 基于用户的协同过滤 | 第27-29页 |
| 2.3.3 基于项目的协同过滤 | 第29-32页 |
| 2.4 系统评估指标 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 改进基于加权信息熵的相似度算法 | 第34-49页 |
| 3.1 传统的相似度计算方法 | 第34-38页 |
| 3.1.1 基于Pearson相关系数的相似度 | 第34-36页 |
| 3.1.2 余弦相似度 | 第36-37页 |
| 3.1.3 基于Jaccard相关系数的相似度 | 第37-38页 |
| 3.2 传统相似度计算方法的局限 | 第38-39页 |
| 3.3 基于加权信息熵的相似度算法 | 第39-41页 |
| 3.3.1 信息熵 | 第39-40页 |
| 3.3.2 算法的改进 | 第40页 |
| 3.3.3 算法设计 | 第40-41页 |
| 3.4 性能分析 | 第41-48页 |
| 3.4.1 实验数据及分析 | 第41-42页 |
| 3.4.2 仿真实验 | 第42-45页 |
| 3.4.3 实验结果及分析 | 第45-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第4章 融合用户特征和项目属性的协同过滤 | 第49-61页 |
| 4.1 数据稀疏性问题 | 第49页 |
| 4.2 融合用户特征和项目属性的协同过滤 | 第49-53页 |
| 4.2.1 算法说明 | 第49-51页 |
| 4.2.2 算法设计 | 第51-53页 |
| 4.3 性能分析 | 第53-59页 |
| 4.3.1 实验数据及分析 | 第53页 |
| 4.3.2 仿真实验 | 第53-58页 |
| 4.3.3 实验结果及分析 | 第58-59页 |
| 4.4 本章小结 | 第59-61页 |
| 总结与展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-69页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第69页 |
