| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-16页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 研究现状 | 第13-14页 |
| 1.3 本文主要研究工作 | 第14-15页 |
| 1.4 本文的结构 | 第15-16页 |
| 2 个性化推荐系统技术 | 第16-26页 |
| 2.1 个性化推荐系统架构 | 第16-17页 |
| 2.2 推荐系统分类 | 第17-21页 |
| 2.2.1 基于内容的推荐 | 第18-19页 |
| 2.2.2 协同过滤推荐 | 第19-20页 |
| 2.2.3 隐语义模型 | 第20-21页 |
| 2.3 模型融合推荐系统 | 第21-22页 |
| 2.4 推荐系统性能评价指标 | 第22-24页 |
| 2.4.1 预测准确度指标 | 第22-23页 |
| 2.4.2 分类准确度指标 | 第23-24页 |
| 2.5 总结 | 第24-26页 |
| 3 模型融合基础算法 | 第26-39页 |
| 3.1 FunkSVD算法 | 第26-27页 |
| 3.1.1 FunkSVD算法原理 | 第26-27页 |
| 3.1.2 加入偏移量的改进FunkSVD算法 | 第27页 |
| 3.2 逻辑回归算法 | 第27-30页 |
| 3.2.1 逻辑回归算法原理 | 第28-29页 |
| 3.2.2 经验风险函数的设计 | 第29-30页 |
| 3.3 GBRT算法 | 第30-33页 |
| 3.3.1 回归决策树算法 | 第30-31页 |
| 3.3.2 Gradient Boosting | 第31-33页 |
| 3.3.3 GBRT算法实现 | 第33页 |
| 3.4 特征工程 | 第33-38页 |
| 3.4.1 特征选择 | 第34页 |
| 3.4.2 特征筛选方法 | 第34-35页 |
| 3.4.3 特征值的正则化 | 第35页 |
| 3.4.4 特征值的归一化 | 第35-36页 |
| 3.4.5 特征值的离散化 | 第36-37页 |
| 3.4.6 LR算法模型和GBRT算法模型对特征的处理 | 第37-38页 |
| 3.5 总结 | 第38-39页 |
| 4 基于逻辑回归和GBRT模型的融合算法 | 第39-50页 |
| 4.1 算法融合基础 | 第39-40页 |
| 4.2 融合算法对特征选择的优化 | 第40-43页 |
| 4.3 一种融合FUNKSVD算法结果的推荐性能改善方法 | 第43-44页 |
| 4.4 movielens数据集特征选择 | 第44-49页 |
| 4.4.1 movielens数据集介绍 | 第44-46页 |
| 4.4.2 movielens数据集特征预选择 | 第46-48页 |
| 4.4.3 特征值的Dummy Coding赋值 | 第48-49页 |
| 4.5 总结 | 第49-50页 |
| 5 实验结果和分析 | 第50-62页 |
| 5.1 实验环境 | 第50页 |
| 5.2 基于逻辑回归和GBRT模型的融合算法实验结果 | 第50-59页 |
| 5.2.1 movielens数据集实验过程 | 第50-51页 |
| 5.2.2 实验结果分析 | 第51-54页 |
| 5.2.3 天猫商城数据集实验过程 | 第54-59页 |
| 5.3 融合FunkSVD算法结果的推荐系统性能实验 | 第59-62页 |
| 5.3.1 movielens数据集实验过程 | 第59-60页 |
| 5.3.2 天猫商城数据集实验过程 | 第60-62页 |
| 6 结论 | 第62-64页 |
| 6.1 工作总结 | 第62-63页 |
| 6.2 研究展望 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第67-69页 |
| 学位论文数据集 | 第69页 |
