基于半监督学习的协同推荐算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 推荐系统的研究现状 | 第13-14页 |
| 1.2.2 协同过滤的研究现状 | 第14-16页 |
| 1.2.3 半监督学习研究现状 | 第16页 |
| 1.3 本文主要研究内容 | 第16-17页 |
| 1.4 本文组织结构 | 第17-19页 |
| 第2章 相关技术综述 | 第19-32页 |
| 2.1 常用的推荐算法 | 第19-25页 |
| 2.1.1 协同过滤 | 第19-21页 |
| 2.1.2 基于内容的推荐 | 第21-22页 |
| 2.1.3 基于关联规则的推荐 | 第22-24页 |
| 2.1.4 混合推荐 | 第24-25页 |
| 2.2 个性化推荐评测 | 第25-27页 |
| 2.2.1 实验方法 | 第25页 |
| 2.2.2 评测指标 | 第25-27页 |
| 2.3 半监督学习技术 | 第27-31页 |
| 2.3.1 自训练 | 第28页 |
| 2.3.2 生成式模型 | 第28页 |
| 2.3.3 转导式支持向量机 | 第28-29页 |
| 2.3.4 基于图的方法 | 第29-30页 |
| 2.3.5 多视图算法 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 融合用户评分差异度的加权相似度算法 | 第32-42页 |
| 3.1 问题的提出 | 第32页 |
| 3.2 传统的相似度算法概述 | 第32-35页 |
| 3.2.1 余弦相似度 | 第33页 |
| 3.2.2 修正的余弦相似度 | 第33-34页 |
| 3.2.3 皮尔逊相关相似性 | 第34-35页 |
| 3.2.4 相似度算法的局限性 | 第35页 |
| 3.3 算法描述 | 第35-37页 |
| 3.3.1 相关权重因子 | 第36页 |
| 3.3.2 修正因子 | 第36-37页 |
| 3.3.3 融合用户评分差异度的加权相似度算法 | 第37页 |
| 3.4 实验结果与分析 | 第37-41页 |
| 3.4.1 数据集 | 第37-38页 |
| 3.4.2 评测指标 | 第38页 |
| 3.4.3 参数选择 | 第38-40页 |
| 3.4.4 实验对比及分析 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 基于半监督学习的协同推荐算法 | 第42-56页 |
| 4.1 问题的提出 | 第42页 |
| 4.2 异构信息网络概述 | 第42-43页 |
| 4.3 基于图的半监督学习概述 | 第43-45页 |
| 4.4 算法描述 | 第45-51页 |
| 4.4.1 构建异构信息网络模型 | 第46-47页 |
| 4.4.2 正则化框架 | 第47-50页 |
| 4.4.3 预测推荐 | 第50-51页 |
| 4.5 实验结果与分析 | 第51-55页 |
| 4.5.1 数据集 | 第51-52页 |
| 4.5.2 评测指标 | 第52页 |
| 4.5.3 参数选择 | 第52-53页 |
| 4.5.4 实验对比及分析 | 第53-55页 |
| 4.6 本章小结 | 第55-56页 |
| 总结 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 附录A 攻读学位期间取得的研究成果 | 第64-65页 |
| 致谢 | 第65页 |
