基于概率矩阵分解的个性化推荐算法研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 协同过滤国内外研究现状 | 第12页 |
| 1.2.2 概率矩阵分解国内外研究现状 | 第12-13页 |
| 1.2.3 信任机制国内外研究现状 | 第13-15页 |
| 1.3 论文的研究内容和组织安排 | 第15-18页 |
| 1.3.1 主要研究内容 | 第15-16页 |
| 1.3.2 论文的组织安排 | 第16-18页 |
| 2 相关理论 | 第18-26页 |
| 2.1 推荐系统的形式化定义 | 第18-20页 |
| 2.2 基于近邻的协同过滤算法 | 第20-21页 |
| 2.3 基于模型的协同过滤算法 | 第21-23页 |
| 2.3.1 矩阵分解模型 | 第21-22页 |
| 2.3.2 概率矩阵分解 | 第22-23页 |
| 2.3.3 交替最小二乘 | 第23页 |
| 2.4 推荐系统现存问题 | 第23-24页 |
| 2.4.1 数据稀疏性 | 第24页 |
| 2.4.2 可扩展性 | 第24页 |
| 2.5 推荐精度的评价方法 | 第24-25页 |
| 2.5.1 评价标准 | 第24页 |
| 2.5.2 实验数据集 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 3 基于交替最小二乘的改进概率矩阵分解算法 | 第26-34页 |
| 3.1 引言 | 第26页 |
| 3.2 Baseline预测 | 第26-27页 |
| 3.3 IPMF算法 | 第27-30页 |
| 3.3.1 算法改进思想 | 第27-28页 |
| 3.3.2 算法流程分析 | 第28-29页 |
| 3.3.3 复杂度分析 | 第29-30页 |
| 3.4 实验结果分析 | 第30-33页 |
| 3.4.1 对比实验设定 | 第30页 |
| 3.4.2 实验分析 | 第30-33页 |
| 3.5 本章小结 | 第33-34页 |
| 4 基于信任机制的改进概率矩阵分解算法 | 第34-46页 |
| 4.1 引言 | 第34-35页 |
| 4.2 信任传播机制 | 第35-36页 |
| 4.3 RBPT算法 | 第36-40页 |
| 4.3.1 算法改进思想 | 第36页 |
| 4.3.2 算法流程分析 | 第36-39页 |
| 4.3.3 算法复杂度分析 | 第39-40页 |
| 4.4 实验结果分析 | 第40-45页 |
| 4.4.1 对比实验设定 | 第40-41页 |
| 4.4.2 潜在因子维度影响 | 第41页 |
| 4.4.3 偏置的影响 | 第41-42页 |
| 4.4.4 信任因子的影响 | 第42-43页 |
| 4.4.5 对比实验分析 | 第43-45页 |
| 4.5 本章小结 | 第45-46页 |
| 5 原型系统的设计与实现 | 第46-54页 |
| 5.1 关键技术分析 | 第46-47页 |
| 5.1.1 Spark集群 | 第46页 |
| 5.1.2 HBase集群 | 第46-47页 |
| 5.1.3 设计模式和系统框架 | 第47页 |
| 5.2 Spark集群搭建 | 第47-49页 |
| 5.2.1 集群软硬件环境 | 第47-48页 |
| 5.2.2 集群搭建流程 | 第48-49页 |
| 5.3 系统功能设计与实现 | 第49-53页 |
| 5.3.1 系统功能设计 | 第49页 |
| 5.3.2 系统实现 | 第49-53页 |
| 5.4 本章小结 | 第53-54页 |
| 6 总结与展望 | 第54-56页 |
| 6.1 研究内容总结 | 第54页 |
| 6.2 未来工作展望 | 第54-56页 |
| 参考文献 | 第56-64页 |
| 作者简历 | 第64-66页 |
| 学位论文数据集 | 第66页 |
