结合属性特征的混合推荐系统研究与实现
| 摘要 | 第2-4页 |
| ABSTRACT | 第4-6页 |
| 第一章 绪论 | 第15-20页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 课题研究现状 | 第16-18页 |
| 1.2.1 国外研究现状 | 第16-17页 |
| 1.2.2 国内研究现状 | 第17-18页 |
| 1.3 主要研究内容 | 第18-19页 |
| 1.4 本文组织结构 | 第19-20页 |
| 第二章 传统协同过滤算法 | 第20-28页 |
| 2.1 协同过滤算法主要思想 | 第20页 |
| 2.2 协同过滤算法的分类 | 第20-23页 |
| 2.2.1 基于用户的协同过滤算法 | 第20-21页 |
| 2.2.2 基于项目的协同过滤算法 | 第21-22页 |
| 2.2.3 两种协同过滤算法的比较 | 第22-23页 |
| 2.3 协同过滤推荐算法的详细流程 | 第23-27页 |
| 2.3.1 建立“用户-项目”评分矩阵 | 第23页 |
| 2.3.2 选取最近邻 | 第23-26页 |
| 2.3.3 由最近邻综合预测得分 | 第26-27页 |
| 2.4 推荐系统的评价体系 | 第27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 改进的混合填充方法 | 第28-40页 |
| 3.1 传统协同过滤算法存在的问题 | 第28-29页 |
| 3.1.1 冷启动问题和数据稀疏问题 | 第28-29页 |
| 3.1.2 推荐多样性问题 | 第29页 |
| 3.2 结合项目属性的混合填充方法 | 第29-35页 |
| 3.2.1 改进算法的提出依据 | 第29-30页 |
| 3.2.2 改进算法的思路 | 第30-31页 |
| 3.2.3 改进算法的叙述 | 第31-35页 |
| 3.3 实验描述及结果分析 | 第35-38页 |
| 3.3.1 实验环境 | 第35页 |
| 3.3.2 实验数据 | 第35页 |
| 3.3.3 实验评估指标 | 第35-36页 |
| 3.3.4 实验结果及分析 | 第36-38页 |
| 3.4 本章小结 | 第38-40页 |
| 第四章 改进的混合协同过滤算法 | 第40-49页 |
| 4.1 结合项目评分和用户属性的协同过滤算法 | 第40-43页 |
| 4.1.1 改进算法的提出依据 | 第40页 |
| 4.1.2 改进算法的思路 | 第40-42页 |
| 4.1.3 改进算法的叙述 | 第42-43页 |
| 4.2 实验描述及结果分析 | 第43-48页 |
| 4.2.1 实验环境、数据及评估指标 | 第43页 |
| 4.2.2 实验结果及其分析 | 第43-48页 |
| 4.3 本章小结 | 第48-49页 |
| 第五章 系统的设计与实现 | 第49-64页 |
| 5.1 数据集完善 | 第49-51页 |
| 5.2 系统整体设计 | 第51-52页 |
| 5.3 数据库设计 | 第52-54页 |
| 5.4 系统时序关系 | 第54-56页 |
| 5.5 电影推荐系统的设计与实现 | 第56-61页 |
| 5.5.1 登录/注册页面 | 第57页 |
| 5.5.2 电影推荐系统主页 | 第57-59页 |
| 5.5.3 个人主页 | 第59-61页 |
| 5.6 后台管理系统的设计与实现 | 第61-63页 |
| 5.6.1 登录页面 | 第62页 |
| 5.6.2 后台管理系统主页 | 第62-63页 |
| 5.7 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 论文总结 | 第64-65页 |
| 6.2 未来展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-71页 |
