基于IPTV电视节目推荐方法研究与实现
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10-11页 |
| 1.1.1 推荐系统研究背景 | 第10页 |
| 1.1.2 IPTV推荐系统背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文主要工作及目的 | 第12-13页 |
| 1.4 本文的组织结构 | 第13-15页 |
| 第2章 相关研究工作 | 第15-23页 |
| 2.1 视频推荐技术 | 第15-18页 |
| 2.1.1 基于内容的推荐技术 | 第15-16页 |
| 2.1.2 协同过滤推荐技术 | 第16-18页 |
| 2.2 大数据处理相关技术 | 第18-20页 |
| 2.2.1 Hadoop介绍 | 第18-19页 |
| 2.2.2 Spark介绍 | 第19-20页 |
| 2.3 推荐算法的评测标准 | 第20-21页 |
| 2.3.1 平均误差MAE | 第20页 |
| 2.3.2 准确性指标 | 第20-21页 |
| 2.3.3 综合评价指标 | 第21页 |
| 2.4 智能推荐系统应用领域 | 第21-22页 |
| 2.4.1 视频网站推荐系统 | 第21-22页 |
| 2.4.2 电子商务平台推荐系统 | 第22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 基于用户日志评分模型建立 | 第23-33页 |
| 3.1 IPTV用户日志的介绍与清洗 | 第23-25页 |
| 3.2 节目元数据的爬取与整合 | 第25-28页 |
| 3.3 节目相似性计算 | 第28-29页 |
| 3.4 基于用户日志的电视节目隐式评分 | 第29-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第4章 家庭用户的区分方法研究 | 第33-47页 |
| 4.1 基于时间模型的分类 | 第33-34页 |
| 4.2 基于电视节目元信息的用户分类 | 第34-35页 |
| 4.3 基于K-MEANS的时间模型 | 第35-40页 |
| 4.3.1 K-means聚类介绍 | 第35-36页 |
| 4.3.2 用户观看时间的映射 | 第36-37页 |
| 4.3.3 时间模型的生成和选取 | 第37-40页 |
| 4.4 产生推荐 | 第40-43页 |
| 4.4.1 基于协同过滤的推荐 | 第40-41页 |
| 4.4.2 基于物品属性的推荐 | 第41-42页 |
| 4.4.3 推荐列表生成 | 第42-43页 |
| 4.5 冷启动的处理 | 第43-46页 |
| 4.5.1 传统网络视频推荐系统的解决方式 | 第43-44页 |
| 4.5.2 IPTV冷启动的解决方式 | 第44-46页 |
| 4.6 本章小结 | 第46-47页 |
| 第5章 实验分析及讨论 | 第47-54页 |
| 5.1 实验数据集与实验环境 | 第47-48页 |
| 5.2 用户评分模型生成 | 第48-49页 |
| 5.3 推荐结果 | 第49-52页 |
| 5.4 实验结果分析 | 第52-53页 |
| 5.5 本章小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59页 |
