| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 引言 | 第9-14页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 推荐系统相关研究 | 第10-11页 |
| 1.2.2 推荐系统面临的问题 | 第11-12页 |
| 1.3 研究内容和研究目标 | 第12-13页 |
| 1.4 本文组织结构 | 第13-14页 |
| 第二章 相关理论与关键技术 | 第14-23页 |
| 2.1 协同过滤推荐算法 | 第14-18页 |
| 2.1.1 基于用户的协同过滤 | 第14-16页 |
| 2.1.2 基于项目的协同过滤 | 第16-17页 |
| 2.1.3 混合推荐 | 第17-18页 |
| 2.2 主题模型 | 第18-22页 |
| 2.2.1 主题模型原理 | 第18-19页 |
| 2.2.2 LDA主题模型 | 第19-21页 |
| 2.2.3 EM算法 | 第21页 |
| 2.2.4 吉布斯采样 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第三章 多维度多角度相似性计算方法 | 第23-33页 |
| 3.1 用户隐式行为评分 | 第23-24页 |
| 3.2 多维度多角度相似性计算 | 第24-30页 |
| 3.2.1 用户模型 | 第25-26页 |
| 3.2.2 项目模型 | 第26-27页 |
| 3.2.3 多维度相似性计算 | 第27-30页 |
| 3.3 基于时间因素的相似度修正 | 第30-31页 |
| 3.3.1 概念漂移成因和相关研究 | 第30-31页 |
| 3.3.2 基于时间因子的相似度修正 | 第31页 |
| 3.4 基于新闻热度的项目相似度修正 | 第31-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第四章 基于多维度修正的个性化资讯推荐算法 | 第33-39页 |
| 4.1 算法流程 | 第33-34页 |
| 4.2 LDA主题模型求解 | 第34页 |
| 4.3 基于多角度修正的资讯推荐 | 第34-38页 |
| 4.3.1 隐式评分和修正 | 第35-36页 |
| 4.3.2 多维度推荐结果计算 | 第36-38页 |
| 4.3.3 综合结果选取 | 第38页 |
| 4.4 本章小结 | 第38-39页 |
| 第五章 实验结果及分析 | 第39-47页 |
| 5.1 实验说明 | 第39-40页 |
| 5.1.1 推荐算法准确性度量标准 | 第39页 |
| 5.1.2 实验环境 | 第39-40页 |
| 5.2 实验验证:基于校园头条数据集的资讯推荐算法 | 第40-46页 |
| 5.2.1 实验数据说明 | 第40页 |
| 5.2.2 算法参数估算 | 第40-44页 |
| 5.2.3 实验结果与分析 | 第44-46页 |
| 5.3 本章小结 | 第46-47页 |
| 第六章 总结与展望 | 第47-49页 |
| 6.1 论文主要工作总结 | 第47页 |
| 6.2 后续工作展望 | 第47-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-52页 |