基于混合模型的推荐系统的研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题背景与意义 | 第9-10页 |
| 1.2 国内外研究动态 | 第10-13页 |
| 1.3 目前方法存在的问题 | 第13页 |
| 1.4 本文主要工作和贡献 | 第13-14页 |
| 1.5 论文的组织结构 | 第14-15页 |
| 第2章 推荐系统基础模型 | 第15-27页 |
| 2.1 推荐系统基础模型理论研究 | 第15-20页 |
| 2.1.1 推荐系统模型分类 | 第15-16页 |
| 2.1.2 协同过滤算法 | 第16-20页 |
| 2.2 相似度计算方法比较与改进 | 第20-22页 |
| 2.2.1 常用相似度函数 | 第20-21页 |
| 2.2.2 改进的相似度方法 | 第21-22页 |
| 2.3 本文使用的数据集介绍 | 第22-23页 |
| 2.3.1 Movielens-100k数据集 | 第22页 |
| 2.3.2 百度电影评分数据 | 第22-23页 |
| 2.4 基础方法在数据集上的实验分析 | 第23-26页 |
| 2.4.1 基础方法库JRSlib | 第23-24页 |
| 2.4.2 推荐系统评价标准 | 第24页 |
| 2.4.3 基础方法实验结果 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 基于社交因素和隐含兴趣组约束的推荐模型 | 第27-35页 |
| 3.1 社交网络因素分析 | 第27-28页 |
| 3.2 基于社交关系约束的推荐模型 | 第28-29页 |
| 3.3 基于隐含兴趣组约束的推荐模型 | 第29-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 混合推荐模型 | 第35-44页 |
| 4.1 模型混合基础理论 | 第35-40页 |
| 4.1.1 模型混合方法 | 第36-38页 |
| 4.1.2 模型混合的优势 | 第38-40页 |
| 4.2 推荐系统模型混合应用 | 第40-43页 |
| 4.2.1 混合模型方法的选择 | 第40-41页 |
| 4.2.2 基础模型选择与数据处理 | 第41-43页 |
| 4.3 混合推荐结果分析 | 第43页 |
| 4.4 本章小结 | 第43-44页 |
| 第5章 个性化移动新闻推荐原型系统设计与实现 | 第44-60页 |
| 5.1 个性化移动新闻推荐的背景 | 第44-45页 |
| 5.1.1 需求分析 | 第44页 |
| 5.1.2 问题描述 | 第44-45页 |
| 5.2 系统框架流程 | 第45-48页 |
| 5.3 系统关键模块 | 第48-54页 |
| 5.3.1 新闻采集模块 | 第48-49页 |
| 5.3.2 新闻特征提取、相似度和自动分类 | 第49-51页 |
| 5.3.3 基于点击的新闻推荐算法模块 | 第51-53页 |
| 5.3.4 推荐列表生成 | 第53-54页 |
| 5.4 新闻推荐系统数据库 | 第54-55页 |
| 5.5 客户端接口 | 第55-57页 |
| 5.5.1 获取推荐内容列表 | 第55-56页 |
| 5.5.2 获取一篇新闻的具体内容 | 第56-57页 |
| 5.6 原型系统推荐效果分析 | 第57-59页 |
| 5.7 本章小结 | 第59-60页 |
| 第6章 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60页 |
| 6.2 展望 | 第60-62页 |
| 参考文献 | 第62-64页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第64-65页 |
| 致谢 | 第65-66页 |
| 作者简介 | 第66页 |
