基于商空间模型的协同过滤推荐算法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-12页 |
| 第一章 绪论 | 第12-21页 |
| ·研究背景与意义 | 第12-13页 |
| ·国内外研究现状 | 第13-18页 |
| ·推荐算法分类 | 第13-15页 |
| ·协同过滤推荐算法研究现状 | 第15-18页 |
| ·本文的主要研究内容和创新点 | 第18-19页 |
| ·本文内容组织安排 | 第19-21页 |
| 第二章 商空间理论及协同过滤推荐算法 | 第21-33页 |
| ·商空间理论粒化方法 | 第21-28页 |
| ·基于等价关系的商空间与粒化 | 第22-25页 |
| ·基于模糊等价关系的商空间与粒化 | 第25-27页 |
| ·基于相容关系的商空间与粒化 | 第27-28页 |
| ·基于商空间的协同过滤推荐算法描述 | 第28-33页 |
| ·基于近邻的协同过滤算法的商空间表示 | 第28-29页 |
| ·基于模型的协同过滤算法的粒化描述 | 第29-33页 |
| 第三章 用户声誉及其粒化在推荐系统中的应用 | 第33-58页 |
| ·基于用户声誉的推荐系统 | 第33-34页 |
| ·用户声誉的获取 | 第34-35页 |
| ·结合声誉的LFM模型 | 第35-40页 |
| ·模型与实验结果分析 | 第35-37页 |
| ·鲁棒性分析 | 第37-40页 |
| ·基于声誉的社交推荐PMF模型 | 第40-51页 |
| ·算法模型介绍 | 第41-43页 |
| ·数据预处理与数据集 | 第43-44页 |
| ·用户声誉与社交相似性对推荐效果的影响 | 第44-47页 |
| ·算法在较少评分数据上的表现 | 第47-48页 |
| ·实验结果分析 | 第48-51页 |
| ·基于用户声誉粒化的社交推荐算法 | 第51-56页 |
| ·基于用户声誉的打分偏好描述 | 第51-52页 |
| ·算法描述 | 第52-54页 |
| ·评价指标 | 第54-55页 |
| ·实验结果分析 | 第55-56页 |
| ·本章小结 | 第56-58页 |
| 第四章 结构粒化的用户邻域模型推荐算法 | 第58-70页 |
| ·基于社团的用户邻域模型推荐算法 | 第58-65页 |
| ·基于社团的用户邻域模型生成算法 | 第59-61页 |
| ·产生推荐 | 第61页 |
| ·数据集介绍 | 第61-62页 |
| ·相似性度量 | 第62-64页 |
| ·实验结果分析 | 第64-65页 |
| ·层次粒化用户邻域的推荐算法 | 第65-69页 |
| ·算法描述 | 第66-68页 |
| ·实验结果分析 | 第68-69页 |
| ·本章小结 | 第69-70页 |
| 第五章 模糊等价的子图相似性推荐算法 | 第70-88页 |
| ·三度社交关系描述 | 第70-72页 |
| ·基于上下文子图的用户社交关系相似性计算 | 第72-77页 |
| ·相关概念定义 | 第72-74页 |
| ·基于上下文子图的社交关系相似性定义及其矩阵表示 | 第74-77页 |
| ·算法框架描述 | 第77-79页 |
| ·隐含关系选取 | 第77-78页 |
| ·结合明确关系和隐含关系的推荐系统 | 第78-79页 |
| ·实验结果分析与讨论 | 第79-87页 |
| ·实验设置 | 第79-82页 |
| ·实验结果分析 | 第82-86页 |
| ·参数影响分析 | 第86-87页 |
| ·本章小结 | 第87-88页 |
| 第六章 总结与展望 | 第88-91页 |
| ·总结 | 第88-90页 |
| ·展望 | 第90-91页 |
| 图索引 | 第91-92页 |
| Figure Index | 第92-93页 |
| 表索引 | 第93-94页 |
| Table Index | 第94-95页 |
| 参考文献 | 第95-103页 |
| 致谢 | 第103-104页 |
| 个人简历学术论文与科研成果 | 第104-106页 |
