推荐系统中基于相似性计算的协同过滤算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 引言 | 第9-14页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究意义 | 第10-11页 |
| 1.3 研究内容及现状 | 第11-12页 |
| 1.4 论文内容安排 | 第12-14页 |
| 2 推荐技术及协同过滤 | 第14-27页 |
| 2.1 推荐系统概述 | 第14-15页 |
| 2.2 推荐技术类别 | 第15-20页 |
| 2.2.1 基于内容的推荐系统 | 第15-16页 |
| 2.2.2 基于规则推荐 | 第16-18页 |
| 2.2.3 基于模型的推荐系统 | 第18-20页 |
| 2.3 基于协同过滤推荐系统 | 第20-26页 |
| 2.3.1 协同推荐基本步骤及数据表示 | 第21-22页 |
| 2.3.2 相似性计算方法 | 第22-24页 |
| 2.3.3 最近邻选取和评分预测 | 第24-25页 |
| 2.3.4 协同过滤推荐系统的主要特点 | 第25页 |
| 2.3.5 协同过滤面临的问题 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 基于用户兴趣分布的相似性优化研究 | 第27-40页 |
| 3.1 用户的兴趣分布 | 第27-29页 |
| 3.2 用户兴趣属性分布 | 第29-32页 |
| 3.2.1 用户初始兴趣分布 | 第29-30页 |
| 3.2.2 用户兴趣信息值量化 | 第30-31页 |
| 3.2.3 兴趣信息值量化生成 | 第31-32页 |
| 3.3 用户间的相似计算及量化处理 | 第32-34页 |
| 3.4 算法流程及安排 | 第34页 |
| 3.5 实验结果及分析 | 第34-39页 |
| 3.5.1 相似度分布 | 第35-36页 |
| 3.5.2 评价指标 | 第36-37页 |
| 3.5.3 平均绝对误差 | 第37页 |
| 3.5.4 均方根误差 | 第37-38页 |
| 3.5.5 推荐准确率 | 第38-39页 |
| 3.6 本章小结 | 第39-40页 |
| 4 基于用户评分结构特征的相似性优化研究 | 第40-53页 |
| 4.1 评分差异结构性 | 第41-43页 |
| 4.2 评分差异混乱性 | 第43-44页 |
| 4.3 融合结构性和混乱性的相似性方法 | 第44-46页 |
| 4.4 本文算法描述 | 第46-47页 |
| 4.5 实验安排及分析 | 第47-51页 |
| 4.5.1 数据集 | 第47页 |
| 4.5.2 评分集合 | 第47页 |
| 4.5.3 实验安排及结果比较 | 第47-51页 |
| 4.6 本章小结 | 第51-53页 |
| 5 总结与展望 | 第53-55页 |
| 5.1 总结 | 第53-54页 |
| 5.2 展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58-59页 |
| 个人简历、在学期间发表的学术论文 | 第59页 |
| 个人简介 | 第59页 |
| 在学期间发表的学术论文 | 第59页 |
