海量社会化音乐高效混合推荐算法研究
| 摘要 | 第2-4页 |
| ABSTRACT | 第4-6页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 推荐系统的研究现状 | 第12-15页 |
| 1.2.1 推荐领域 | 第12-14页 |
| 1.2.2 存在的问题 | 第14-15页 |
| 1.3 研究内容及框架 | 第15-18页 |
| 1.3.1 研究内容 | 第15-17页 |
| 1.3.2 研究框架 | 第17-18页 |
| 1.4 本文的创新 | 第18-20页 |
| 1.4.1 基于三部图模型及索引机制的推荐算法 | 第18页 |
| 1.4.2 将社交网络融入协同过滤推荐算法 | 第18-19页 |
| 1.4.3 混合推荐算法 | 第19-20页 |
| 第2章 相关工作 | 第20-38页 |
| 2.1 协同过滤推荐算法 | 第20-26页 |
| 2.1.1 基于用户的协同过滤推荐算法 | 第20-23页 |
| 2.1.2 基于项目的协同过滤推荐算法 | 第23-25页 |
| 2.1.3 协同过滤算法分析 | 第25-26页 |
| 2.2 SimRank算法 | 第26-28页 |
| 2.2.1 SimRank算法原理和扩展 | 第26-28页 |
| 2.2.2 SimRank算法与协同过滤相结合 | 第28页 |
| 2.3 降维算法 | 第28-33页 |
| 2.3.1 线性降维算法PCA和SVD | 第28-31页 |
| 2.3.2 非线性降维算法t-SNE | 第31-33页 |
| 2.4 K-Means聚类算法 | 第33-34页 |
| 2.5 社交网络 | 第34-38页 |
| 2.5.1 社交网络简介 | 第34-35页 |
| 2.5.2 社交网络的构成 | 第35-36页 |
| 2.5.3 社交网络的特性 | 第36-38页 |
| 第3章 音乐推荐系统模型构建 | 第38-44页 |
| 3.1 推荐系统概述 | 第38-39页 |
| 3.2 推荐系统模型建立 | 第39-40页 |
| 3.3 源数据集 | 第40-42页 |
| 3.4 评价指标 | 第42-44页 |
| 3.4.1 准确率和召回率 | 第42-43页 |
| 3.4.2 覆盖率 | 第43-44页 |
| 第4章 基于标签的三部图推荐算法 | 第44-58页 |
| 4.1 改进的三部图推荐算法 | 第44-46页 |
| 4.1.1 传统的二部图推荐算法 | 第44-45页 |
| 4.1.2 加入了标签的三部图推荐算法 | 第45-46页 |
| 4.2 对标签进行降维 | 第46-47页 |
| 4.3 构造项目索引 | 第47-49页 |
| 4.4 实验及数据分析 | 第49-56页 |
| 4.4.1 实验数据 | 第49-52页 |
| 4.4.2 实验设计 | 第52-53页 |
| 4.4.3 实验结果分析 | 第53-56页 |
| 4.5 Java代码描述 | 第56-58页 |
| 第5章 基于社交网络的推荐算法 | 第58-65页 |
| 5.1 社交网络的形成机制与表示方法 | 第58-59页 |
| 5.1.1 形成机制 | 第58页 |
| 5.1.2 表示方法 | 第58-59页 |
| 5.2 构建用户的信任集合进行推荐 | 第59-62页 |
| 5.2.1 基于用户半径的用户信任度度量 | 第60-61页 |
| 5.2.2 基于用户历史行为的用户相似度计算 | 第61页 |
| 5.2.3 计算预测评分 | 第61-62页 |
| 5.3 实验及数据分析 | 第62-65页 |
| 5.3.1 实验数据 | 第62-63页 |
| 5.3.2 实验设计 | 第63页 |
| 5.3.3 实验结果分析 | 第63-65页 |
| 第6章 基于标签和社交网络的混合推荐 | 第65-71页 |
| 6.1 研究动机 | 第65页 |
| 6.2 混合推荐相关理论 | 第65-67页 |
| 6.2.1 混合推荐流程 | 第66-67页 |
| 6.2.2 混合推荐算法 | 第67页 |
| 6.3 实验及数据分析 | 第67-71页 |
| 6.3.1 实验设计 | 第67-68页 |
| 6.3.2 实验结果分析 | 第68-71页 |
| 第7章 总结与展望 | 第71-73页 |
| 7.1 总结 | 第71-72页 |
| 7.2 展望 | 第72-73页 |
| 参考文献 | 第73-80页 |
| 致谢 | 第80-82页 |
