基于混合过滤的推荐算法研究及其应用
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 课题背景与意义 | 第8-10页 |
| 1.1.1 课题研究背景 | 第8-9页 |
| 1.1.2 课题研究意义 | 第9-10页 |
| 1.2 课题来源与组织结构 | 第10-12页 |
| 1.2.1 课题来源 | 第10-11页 |
| 1.2.2 本文组织结构 | 第11-12页 |
| 第二章 相关技术研究 | 第12-27页 |
| 2.1 混合过滤推荐技术研究综述 | 第12-21页 |
| 2.1.1 传统推荐技术及其算法分类 | 第12-18页 |
| 2.1.2 混合过滤推荐算法研究综述 | 第18-21页 |
| 2.2 深度学习技术研究综述 | 第21-25页 |
| 2.2.1 深度学习技术及其分类 | 第21-23页 |
| 2.2.2 深度学习在推荐系统中的应用 | 第23-25页 |
| 2.3 本章小结 | 第25-27页 |
| 第三章 一种基于深度学习的隐因子模型建立 | 第27-40页 |
| 3.1 模型总体设计 | 第27-28页 |
| 3.2 特征向量提取 | 第28-34页 |
| 3.3 一种基于SDAE特征向量的编码模型 | 第34-35页 |
| 3.4 一种改进的矩阵分解训练办法 | 第35-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 基于混合过滤的推荐算法设计 | 第40-56页 |
| 4.1 总体算法模型设计 | 第40-44页 |
| 4.1.1 基于奇异值分解的预处理模块 | 第41-42页 |
| 4.1.2 推荐结果生成模块 | 第42-44页 |
| 4.2 算法模型具体介绍 | 第44-50页 |
| 4.2.1 基于时间影响因子的个性化兴趣模型 | 第44-46页 |
| 4.2.2 基于畅销度的多样性兴趣模型 | 第46-48页 |
| 4.2.3 基于线性融合的最终兴趣模型 | 第48-50页 |
| 4.3 仿真与实验 | 第50-54页 |
| 4.3.1 数据集说明 | 第50-52页 |
| 4.3.2 仿真实验环境 | 第52页 |
| 4.3.3 仿真实验过程 | 第52-54页 |
| 4.4 本章小结 | 第54-56页 |
| 第五章 一种面向电商平台的推荐系统 | 第56-62页 |
| 5.1 电商平台总体设计 | 第56-57页 |
| 5.2 系统详细功能设计 | 第57-60页 |
| 5.2.1 系统总体架构设计 | 第57-58页 |
| 5.2.2 推荐模块相关数据库设计 | 第58-60页 |
| 5.3 用户模型的其他应用 | 第60-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第六章 系统测试 | 第62-68页 |
| 6.1 环境测试 | 第62页 |
| 6.2 系统功能性测试 | 第62-67页 |
| 6.2.1 首页门户 | 第62-64页 |
| 6.2.2 后台信息管理系统 | 第64-66页 |
| 6.2.3 手机微信公众号设计 | 第66-67页 |
| 6.3 本章小结 | 第67-68页 |
| 第七章 总结与展望 | 第68-69页 |
| 7.1 总结 | 第68页 |
| 7.2 展望 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第74-75页 |
| 附录2 攻读硕士学位期间申请的专利 | 第75-76页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第76-77页 |
| 致谢 | 第77-78页 |
