基于用户兴趣模型的个性化推荐算法研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景 | 第8-14页 |
| 1.1.1 互联网与移动互联网的发展概况 | 第8-9页 |
| 1.1.2 从搜索引擎到推荐系统 | 第9-12页 |
| 1.1.3 推荐系统的机遇和挑战 | 第12-14页 |
| 1.2 本文研究内容与组织结构 | 第14-16页 |
| 1.2.1 本文的研究内容与方法 | 第14页 |
| 1.2.2 论文的组织结构 | 第14-16页 |
| 2 推荐系统相关理论研究 | 第16-28页 |
| 2.1 推荐系统中的用户建模 | 第16-20页 |
| 2.1.1 兴趣模型的数据特征 | 第16-17页 |
| 2.1.2 兴趣模型的表示 | 第17-19页 |
| 2.1.3 模型的更新 | 第19-20页 |
| 2.2 推荐算法分类 | 第20-23页 |
| 2.2.1 基于内容的算法 | 第20-21页 |
| 2.2.2 协同过滤推荐 | 第21-23页 |
| 2.2.3 组合推荐 | 第23页 |
| 2.3 推荐结果的评估标准 | 第23-24页 |
| 2.4 推荐系统面临的挑战 | 第24-25页 |
| 2.5 协同过滤研究现状 | 第25-27页 |
| 2.5.1 基于邻居的协同过滤 | 第25-26页 |
| 2.5.2 基于模型的协同过滤 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 3 一种扩展LDA的推荐算法 | 第28-40页 |
| 3.1 传统的推荐算法总结 | 第28页 |
| 3.2 传统的推荐算法总结 | 第28-33页 |
| 3.2.1 基于模型的协同过滤 | 第29-30页 |
| 3.2.2 LDA兴趣抽取模型 | 第30-31页 |
| 3.2.3 扩展的LDA兴趣抽取模型 | 第31-33页 |
| 3.3 W-IxLDA推荐算法 | 第33-36页 |
| 3.3.1 兴趣扩展 | 第33-34页 |
| 3.3.2 产生结果推荐 | 第34-35页 |
| 3.3.3 详细的推荐算法描述 | 第35-36页 |
| 3.4 实例分析 | 第36-38页 |
| 3.5 本章小结 | 第38-40页 |
| 4 融合情境的推荐算法 | 第40-54页 |
| 4.1 引言 | 第40-41页 |
| 4.2 相关理论研究及概念分析 | 第41-42页 |
| 4.2.1 情境分析 | 第41页 |
| 4.2.2 自组织映射网络 | 第41-42页 |
| 4.3 兴趣模型构建 | 第42-48页 |
| 4.3.1 情境与兴趣模型的融合分析 | 第43页 |
| 4.3.2 情境兴趣模型 | 第43-48页 |
| 4.4 FMeal推荐算法 | 第48-52页 |
| 4.5 本章小结 | 第52-54页 |
| 5 实验验证 | 第54-60页 |
| 5.1 评价方法 | 第54页 |
| 5.2 扩展LDA算法验证 | 第54-56页 |
| 5.3 融合情境推荐算法验证 | 第56-60页 |
| 6 总结与展望 | 第60-62页 |
| 6.1 全文总结 | 第60页 |
| 6.2 工作展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 附录 | 第67页 |
