基于用户近邻的上下文张量分解推荐算法
摘要 | 第4-6页 |
Abstract | 第6-7页 |
第1章 绪论 | 第11-18页 |
1.1 研究背景和意义 | 第11-12页 |
1.2 国内外研究现状 | 第12-15页 |
1.2.1 国外研究现状 | 第12-14页 |
1.2.2 国内研究现状 | 第14-15页 |
1.3 本文的研究内容 | 第15-16页 |
1.4 本文的组织结构 | 第16-18页 |
第2章 个性化推荐系统及相关技术 | 第18-28页 |
2.1 个性化推荐系统 | 第18-19页 |
2.2 个性化推荐算法分类 | 第19-24页 |
2.2.1 基于内容推荐算法 | 第19-20页 |
2.2.2 协同过滤推荐算法 | 第20-22页 |
2.2.3 基于图的推荐算法 | 第22-23页 |
2.2.4 上下文感知推荐 | 第23页 |
2.2.5 混合推荐算法 | 第23-24页 |
2.3 推荐系统的应用 | 第24-26页 |
2.4 推荐系统的评价指标 | 第26-27页 |
2.5 本章小结 | 第27-28页 |
第3章 矩阵分解算法研究与改进 | 第28-40页 |
3.1 传统的SVD分解算法 | 第28-29页 |
3.1.1 SVD算法原理 | 第28-29页 |
3.1.2 SVD算法优缺点 | 第29页 |
3.2 隐语义模型 | 第29-32页 |
3.2.1 梯度下降法 | 第30页 |
3.2.2 隐语义模型原理 | 第30-31页 |
3.2.3 隐语义模型优缺点 | 第31-32页 |
3.3 SVD++算法 | 第32页 |
3.4 融合社交信息改进隐语义模型 | 第32-35页 |
3.4.1 算法原理 | 第32-34页 |
3.4.2 算法描述 | 第34-35页 |
3.5 实验与分析 | 第35-39页 |
3.5.1 实验数据 | 第35-37页 |
3.5.2 实验结果分析 | 第37-39页 |
3.6 本章小结 | 第39-40页 |
第4章 融合用户近邻信息的N维张量分解算法 | 第40-52页 |
4.1 上下文感知信息 | 第40-41页 |
4.2 张量 | 第41页 |
4.3 张量分解法 | 第41-43页 |
4.3.1 CP分解模型 | 第42页 |
4.3.2 Tucker模型 | 第42-43页 |
4.4 融合上下文感知的N维张量分解算法 | 第43-45页 |
4.5 利用用户近邻信息优化张量分解 | 第45-48页 |
4.6 实验与分析 | 第48-51页 |
4.6.1 实验数据 | 第48页 |
4.6.2 实验结果分析 | 第48-51页 |
4.7 本章小结 | 第51-52页 |
第5章 基于个性化推荐的电商系统的设计与实现 | 第52-72页 |
5.1 系统使用技术 | 第52-53页 |
5.1.1 系统体系结构 | 第52页 |
5.1.2 开发语言 | 第52页 |
5.1.3 数据库 | 第52-53页 |
5.1.4 其它技术 | 第53页 |
5.2 系统架构设计 | 第53-58页 |
5.2.1 系统功能分析 | 第53-54页 |
5.2.2 外围体系结构 | 第54页 |
5.2.3 整体详细架构 | 第54-56页 |
5.2.4 推荐引擎设计 | 第56-57页 |
5.2.5 应用场景处理流程 | 第57-58页 |
5.3 推荐算法设计 | 第58-64页 |
5.3.1 商品相似度计算方法 | 第58-60页 |
5.3.2 文章帖子推荐 | 第60页 |
5.3.3“看了又看”推荐算法 | 第60-62页 |
5.3.4“猜你喜欢”推荐算法 | 第62页 |
5.3.5“依据用户浏览历史”推荐 | 第62-63页 |
5.3.6“搭配推荐”算法 | 第63页 |
5.3.7 冷启动问题解决 | 第63-64页 |
5.4 代码 | 第64-69页 |
5.4.1 类图 | 第64-66页 |
5.4.2 主要代码 | 第66-68页 |
5.4.3 推荐算法接口设计 | 第68-69页 |
5.5 系统实现效果 | 第69-71页 |
5.6 本章小结 | 第71-72页 |
第6章 总结与展望 | 第72-74页 |
6.1 总结 | 第72-73页 |
6.2 展望 | 第73-74页 |
参考文献 | 第74-78页 |
致谢 | 第78-79页 |
攻读硕士期间发表的论文 | 第79页 |