协同过滤系统的数据稀疏性问题研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 国外研究现状 | 第14-15页 |
| 1.2.2 国内研究现状 | 第15-16页 |
| 1.3 协同过滤所面临的问题 | 第16-17页 |
| 1.4 论文的主要工作和组织结构 | 第17-19页 |
| 1.4.1 本文的主要工作 | 第17-18页 |
| 1.4.2 本文的组织结构 | 第18-19页 |
| 第二章 经典的协同过滤算法 | 第19-32页 |
| 2.1 协同过滤算法 | 第19-27页 |
| 2.1.1 基于用户的k-最近邻算法 | 第20-23页 |
| 2.1.2 基于项目昀k-最近邻算法 | 第23-25页 |
| 2.1.3 Slope One算法 | 第25-27页 |
| 2.2 相似度度量 | 第27-29页 |
| 2.2.1 余弦相似性度量 | 第27-28页 |
| 2.2.2 欧氏距离相似性 | 第28-29页 |
| 2.2.3 Pearson相关系数 | 第29页 |
| 2.2.4 jaccard系数 | 第29页 |
| 2.3 协同过滤的评价标准 | 第29-31页 |
| 2.3.1 预测准确度 | 第30页 |
| 2.3.2 分类准确性 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 基于项目候选集的协同过滤算法 | 第32-42页 |
| 3.1 相关工作 | 第32页 |
| 3.2 基于项目候选集的算法实现 | 第32-37页 |
| 3.2.1 用户相似度的设计 | 第33-34页 |
| 3.2.2 用户相似度的综合 | 第34-35页 |
| 3.2.3 项目候选集的选取 | 第35-36页 |
| 3.2.4 预测评分 | 第36页 |
| 3.2.5 算法的详细步骤 | 第36-37页 |
| 3.3 实验结果及分析 | 第37-41页 |
| 3.3.1 数据集及度量标准 | 第37页 |
| 3.3.2 实验结果 | 第37-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 基于好友关系和标签的混合协同过滤算法 | 第42-54页 |
| 4.1 相关工作 | 第42-46页 |
| 4.1.1 社会化标签系统描述 | 第43-45页 |
| 4.1.2 社交网络系统描述 | 第45-46页 |
| 4.2 基于好友关系和标签的混合算法实现 | 第46-50页 |
| 4.2.1 用户相关性的计算 | 第46-48页 |
| 4.2.2 用户-标签偏爱程度的计算 | 第48页 |
| 4.2.3 用户预测评分值 | 第48-49页 |
| 4.2.4 算法的详细步骤 | 第49-50页 |
| 4.3 实验结果及分析 | 第50-53页 |
| 4.3.1 数据集及度量标准 | 第50页 |
| 4.3.2 实验结果 | 第50-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 相关算法比较 | 第54-68页 |
| 5.1 数据的收集 | 第54-57页 |
| 5.2 社会化标签推荐算法 | 第57-58页 |
| 5.2.1 社会化标签系统描述 | 第57页 |
| 5.2.2 算法流程 | 第57-58页 |
| 5.3 基于用户评分的推荐算法 | 第58-61页 |
| 5.3.1 用户评分描述 | 第58-59页 |
| 5.3.2 算法流程 | 第59-61页 |
| 5.4 基于项目属性的推荐算法 | 第61-63页 |
| 5.4.1 项目属性描述 | 第61-62页 |
| 5.4.2 算法流程 | 第62-63页 |
| 5.5 实验结果及分析 | 第63-67页 |
| 5.5.1 数据集及度量标准 | 第63-64页 |
| 5.5.2 实验结果 | 第64-67页 |
| 5.6 本章小结 | 第67-68页 |
| 总结与展望 | 第68-70页 |
| 总结 | 第68-69页 |
| 展望 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 攻读学位期间发表的学位论文 | 第76-78页 |
| 致谢 | 第78页 |
