一种基于卡尔曼滤波的加权混合推荐算法
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 国外研究现状 | 第14-15页 |
| 1.2.2 国内研究现状 | 第15-17页 |
| 1.3 本文的研究内容 | 第17-18页 |
| 1.4 论文组织与结构 | 第18-19页 |
| 第2章 个性化推荐系统综述 | 第19-31页 |
| 2.1 个性化推荐系统 | 第19-21页 |
| 2.1.1 推荐系统定义 | 第19页 |
| 2.1.2 推荐系统组成 | 第19-20页 |
| 2.1.3 评分预测与Top-N推荐 | 第20-21页 |
| 2.2 个性化推荐算法 | 第21-27页 |
| 2.2.1 协同过滤推荐算法 | 第21-22页 |
| 2.2.2 基于用户的协同过滤推荐算法 | 第22-24页 |
| 2.2.3 基于物品的协同过滤推荐算法 | 第24-25页 |
| 2.2.4 协同过滤推荐算法的对比 | 第25-26页 |
| 2.2.5 基于内容的推荐算法 | 第26-27页 |
| 2.3 混合推荐算法 | 第27-28页 |
| 2.4 加权混合推荐 | 第28-29页 |
| 2.4.1 加权混合推荐系统的原理 | 第28-29页 |
| 2.4.2 加权混合推荐系统的问题 | 第29页 |
| 2.5 本章小结 | 第29-31页 |
| 第3章 卡尔曼滤波模型的构建 | 第31-36页 |
| 3.1 最优估计理论 | 第31页 |
| 3.2 卡尔曼滤波器介绍 | 第31-32页 |
| 3.3 卡尔曼滤波基本模型 | 第32页 |
| 3.4 卡尔曼滤波算法过程 | 第32-34页 |
| 3.5 卡尔曼滤波器的特点 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第4章 基于卡尔曼滤波的加权混合推荐算法 | 第36-43页 |
| 4.1 基于卡尔曼滤波的权重系统模型 | 第36-38页 |
| 4.1.1 系统权重模型 | 第36页 |
| 4.1.2 状态方程和测量方程的设定 | 第36-37页 |
| 4.1.3 状态和噪声协方差初值的确定 | 第37页 |
| 4.1.4 过程噪声和测量噪声协方差的估计 | 第37-38页 |
| 4.2 权重优化计算 | 第38-39页 |
| 4.3 基于卡尔曼滤波的加权混合推荐算法 | 第39-42页 |
| 4.3.1 算法流程分析 | 第39-41页 |
| 4.3.2 算法性能分析 | 第41-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第5章 实验设计及结果分析 | 第43-54页 |
| 5.1 实验环境与实验数据集准备 | 第43-44页 |
| 5.1.1 实验环境 | 第43页 |
| 5.1.2 实验数据集 | 第43-44页 |
| 5.2 评价标准 | 第44-45页 |
| 5.3 实验方案设计 | 第45-47页 |
| 5.3.1 实验方法 | 第45页 |
| 5.3.2 混合推荐系统的模块设计 | 第45-47页 |
| 5.4 实验结果及分析 | 第47-53页 |
| 5.5 本章小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-59页 |
