面向服务推荐的用户兴趣发现方法研究
| 摘要 | 第7-9页 |
| Abstract | 第9-10页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 推荐的发展现状 | 第12-14页 |
| 1.3 研究现状 | 第14-15页 |
| 1.4 本文的研究内容 | 第15-16页 |
| 1.5 本文的组织结构 | 第16-18页 |
| 第二章 相关技术与算法 | 第18-27页 |
| 2.1 相关技术 | 第18-19页 |
| 2.1.1 数据挖掘 | 第18-19页 |
| 2.1.2 信息检索 | 第19页 |
| 2.2 算法介绍 | 第19-24页 |
| 2.2.1 基于协同过滤的算法 | 第19-22页 |
| 2.2.2 基于人口统计学的算法 | 第22-23页 |
| 2.2.3 基于模型的算法 | 第23-24页 |
| 2.3 评测方法 | 第24-26页 |
| 2.4 数据集的介绍 | 第26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于混合属性协同过滤的用户兴趣发现 | 第27-43页 |
| 3.1 数据预处理 | 第28页 |
| 3.2 基于用户属性的相似度计算 | 第28-30页 |
| 3.2.1 冷启动问题 | 第28页 |
| 3.2.2 用户属性相似度计算 | 第28-30页 |
| 3.3 基于评分的相似度计算 | 第30-34页 |
| 3.3.1 预测未知分数 | 第30-33页 |
| 3.3.2 相似度计算 | 第33-34页 |
| 3.4 基于浏览历史计算相似度 | 第34-38页 |
| 3.4.1 时间戳 | 第34-35页 |
| 3.4.2 计算相似度以及发现用户兴趣 | 第35-38页 |
| 3.5 实验结果以及分析 | 第38-42页 |
| 3.5.1 数据集介绍 | 第38页 |
| 3.5.2 评价标准 | 第38-39页 |
| 3.5.3 实验结果 | 第39-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第四章 基于随机森林的单用户兴趣发现及服务推荐 | 第43-52页 |
| 4.1 随机森林的基础——决策树 | 第43-44页 |
| 4.2 随机森林算法及优势 | 第44-46页 |
| 4.3 随机森林的具体应用 | 第46-49页 |
| 4.4 实验结果以及分析 | 第49-50页 |
| 4.5 本章小结 | 第50-52页 |
| 第五章 基于模型融合的用户兴趣发现及服务推荐 | 第52-57页 |
| 5.1 模型融合 | 第52-53页 |
| 5.2 融合过程 | 第53-54页 |
| 5.3 方法总结 | 第54页 |
| 5.4 实验设计及分析 | 第54-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第六章 结论与展望 | 第57-59页 |
| 6.1 总结 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 附录 | 第64页 |
