基于改进融合模型的电影推荐系统的研究与实现
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 推荐系统的国内外研究现状 | 第10-12页 |
| 1.2.1 推荐算法的研究现状 | 第10-11页 |
| 1.2.2 推荐系统的应用现状 | 第11-12页 |
| 1.3 本文研究内容 | 第12-13页 |
| 1.4 论文结构 | 第13-15页 |
| 第2章 个性化推荐算法概述及评测指标 | 第15-31页 |
| 2.1 基于关联规则的推荐 | 第15-16页 |
| 2.2 基于内容的推荐 | 第16-18页 |
| 2.3 基于邻域的协同过滤 | 第18-25页 |
| 2.3.1 协同过滤的基础知识 | 第18-20页 |
| 2.3.2 基于用户的协同过滤 | 第20-23页 |
| 2.3.3 基于项目的协同过滤 | 第23-25页 |
| 2.4 基于模型的协同过滤 | 第25-26页 |
| 2.5 融合推荐 | 第26-27页 |
| 2.5.1 推荐结果融合 | 第26-27页 |
| 2.5.2 推荐算法融合 | 第27页 |
| 2.6 推荐算法评价指标 | 第27-29页 |
| 2.6.1 top-n推荐的评价指标 | 第28页 |
| 2.6.2 预测评分的评价指标 | 第28-29页 |
| 2.7 本章小结 | 第29-31页 |
| 第3章 隐语义模型的研究与改进 | 第31-41页 |
| 3.1 奇异值分解算法 | 第31-32页 |
| 3.2 隐语义模型 | 第32-36页 |
| 3.2.1 梯度下降法 | 第33-35页 |
| 3.2.2 基于梯度下降的隐语义模型 | 第35-36页 |
| 3.3 改进的biased-SVD隐语义模型 | 第36-38页 |
| 3.4 隐语义模型与基于邻域协同过滤的比较 | 第38-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第4章 融合隐语义模型与改进k近邻模型的推荐算法 | 第41-53页 |
| 4.1 biasedSVD融合k近邻模型 | 第41-42页 |
| 4.2 融合模型的改进 | 第42-46页 |
| 4.2.1 融合属性信息熵的相似度 | 第43-45页 |
| 4.2.2 针对不同年龄用户兴趣变化的权重 | 第45页 |
| 4.2.3 预测评分公式的改进 | 第45-46页 |
| 4.3 改进融合模型的算法步骤 | 第46-47页 |
| 4.4 实验结果及分析 | 第47-52页 |
| 4.4.1 实验数据 | 第47-49页 |
| 4.4.2 实验结果分析 | 第49-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 基于改进融合算法的电影推荐系统 | 第53-73页 |
| 5.1 需求分析 | 第53-55页 |
| 5.1.1 系统非功能需求 | 第53页 |
| 5.1.2 功能需求 | 第53-55页 |
| 5.2 系统总体设计 | 第55-58页 |
| 5.2.1 系统架构设计 | 第55-57页 |
| 5.2.2 系统整体模块设计 | 第57页 |
| 5.2.3 系统开发技术 | 第57-58页 |
| 5.2.4 系统开发环境 | 第58页 |
| 5.3 数据库设计 | 第58-61页 |
| 5.4 系统功能模块设计 | 第61-66页 |
| 5.4.1 用户功能模块设计 | 第61-63页 |
| 5.4.2 管理员功能模块设计 | 第63-64页 |
| 5.4.3 推荐功能模块设计 | 第64-66页 |
| 5.5 系统界面展示 | 第66-71页 |
| 5.6 本章小结 | 第71-73页 |
| 总结与展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 攻读硕士期间的研究成果 | 第79-81页 |
| 致谢 | 第81页 |
