协同过滤推荐算法在家装领域中的应用研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 引言 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11页 |
| 1.2 研究现状 | 第11-15页 |
| 1.2.1 国内协同过滤算法研究现状 | 第11-13页 |
| 1.2.2 国外协同过滤研究现状 | 第13-14页 |
| 1.2.3 协同过滤推荐算法在实际生活中的应用 | 第14页 |
| 1.2.4 协同过滤推荐家装应用领域研究现状 | 第14-15页 |
| 1.2.5 研究现状总结 | 第15页 |
| 1.3 研究的主要内容,重点解决的问题及创新点 | 第15-18页 |
| 1.3.1 研究的主要内容和解决的问题 | 第15-16页 |
| 1.3.2 组织结构 | 第16-17页 |
| 1.3.3 本文的创新点 | 第17-18页 |
| 2 协同过滤推荐算法相关理论介绍 | 第18-32页 |
| 2.1 协同过滤算法介绍 | 第18-21页 |
| 2.2 基于记忆的协同过滤 | 第21-26页 |
| 2.2.1 基于用户的协同过滤 | 第23-25页 |
| 2.2.2 基于项目的协同过滤 | 第25-26页 |
| 2.3 基于内容的协同过滤算法 | 第26-27页 |
| 2.4 基于关联规则的算法 | 第27-28页 |
| 2.5 基于模型的协同过滤技术 | 第28页 |
| 2.6 几类算法的优缺点比较 | 第28-29页 |
| 2.7 协同过滤面临的问题 | 第29-30页 |
| 2.8 算法改进方式 | 第30-32页 |
| 3 SlopeOne算法 | 第32-37页 |
| 3.1 SlopeOne算法简介 | 第32-33页 |
| 3.1.1 Slopeone的一般算法 | 第32页 |
| 3.1.2 WeightSlopeOne算法 | 第32-33页 |
| 3.2 Slopeone算法过程 | 第33-35页 |
| 3.2.1 算法过程 | 第33-34页 |
| 3.2.2 算法实现的伪代码 | 第34-35页 |
| 3.3 本章小结 | 第35-37页 |
| 4 综合用户评分及特征因素的推荐算法 | 第37-49页 |
| 4.1 家装方案用户近邻的寻找 | 第37-38页 |
| 4.1.1 用户特征描述 | 第37页 |
| 4.1.2 用户评分数据表示 | 第37-38页 |
| 4.1.3 用户综合相似度计算 | 第38页 |
| 4.2 基于用户总体相似度产生用户最近邻居 | 第38-48页 |
| 4.2.1 用户最近邻居实现 | 第38-40页 |
| 4.2.2 算法的评价指标 | 第40-41页 |
| 4.2.3 数据集的来源与描述 | 第41-42页 |
| 4.2.4 数据集的处理 | 第42-44页 |
| 4.2.5 算法的评估 | 第44-48页 |
| 4.3 本章总结 | 第48-49页 |
| 5 综合项目评分与特征因素对算法的改进 | 第49-59页 |
| 5.1 家装方案基于项目及其特征的改进算法 | 第49-50页 |
| 5.1.1 项目特征描述 | 第49-50页 |
| 5.1.2 产生推荐 | 第50页 |
| 5.2 基于项目评分与特征的改进算法描述 | 第50-54页 |
| 5.2.1 基于项目评分与特征的改进算法构建 | 第50-52页 |
| 5.2.2 最终评分算法伪代码 | 第52页 |
| 5.2.3 算法的评价指标 | 第52-53页 |
| 5.2.4 数据集来源与描述 | 第53页 |
| 5.2.5 数据预处理 | 第53-54页 |
| 5.3 数据结果分析 | 第54-58页 |
| 5.4 本章总结 | 第58-59页 |
| 6 总结和展望 | 第59-62页 |
| 6.1 本文工作总结 | 第59-60页 |
| 6.2 今后的研究方向 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 攻读硕士期间发表的论文及科研情况 | 第67页 |
