协同过滤算法中相似度计算方法的研究
| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.3 本文的研究内容 | 第14-15页 |
| 1.4 本文的组织结构 | 第15页 |
| 1.5 本章小结 | 第15-17页 |
| 第2章 协同过滤推荐算法 | 第17-27页 |
| 2.1 基于用户的协同过滤推荐算法 | 第17-20页 |
| 2.2 基于项目的协同过滤推荐算法 | 第20-23页 |
| 2.3 基于模型的协同过滤推荐 | 第23-24页 |
| 2.4 混合推荐技术 | 第24-25页 |
| 2.5 协同过滤推荐算法存在的问题 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 基于 T-ProSim 协同过滤推荐算法 | 第27-38页 |
| 3.1 研究动机 | 第27-29页 |
| 3.1.1 数据稀疏性问题 | 第27页 |
| 3.1.2 时间问题 | 第27-29页 |
| 3.2 算法的改进策略 | 第29-32页 |
| 3.2.1 引入时间函数 WT | 第29页 |
| 3.2.2 相似度传递 ProSim | 第29-32页 |
| 3.2.3 时间权重的判定 | 第32页 |
| 3.3 T-ProSim 算法的实验与分析 | 第32-37页 |
| 3.3.1 实验数据集和环境 | 第32-34页 |
| 3.3.2 评估标准 | 第34页 |
| 3.3.3 实验步骤及实验结果分析 | 第34-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 基于异构信息网络的相似度算法的推荐 | 第38-49页 |
| 4.1 思想的提出 | 第38-39页 |
| 4.2 基于异构信息网络的相似度度量方法的推荐 | 第39-46页 |
| 4.2.1 数据输入及异构信息网络构成 | 第40-43页 |
| 4.2.2 异构信息网络相似度度量的算法 | 第43-46页 |
| 4.2.3 Top-N 输出 | 第46页 |
| 4.3 实验及分析 | 第46-48页 |
| 4.3.1 实验方案 | 第46-47页 |
| 4.3.2 实验结果及分析 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 总结与展望 | 第49-51页 |
| 5.1 本文总结 | 第49-50页 |
| 5.2 工作展望 | 第50-51页 |
| 参考文献 | 第51-58页 |
| 作者简介及在学期间所取得的科研成果 | 第58-59页 |
| 致谢 | 第59-60页 |
