基于SVD和用户聚类的协同过滤算法研究
| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景、意义和目的 | 第11-12页 |
| 1.2 协同过滤研究现状 | 第12-15页 |
| 1.2.1 国内外研究现状 | 第12-13页 |
| 1.2.2 面临的主要问题和挑战 | 第13-15页 |
| 1.3 论文的主要研究内容 | 第15-16页 |
| 1.4 论文的组织结构 | 第16页 |
| 1.5 本章小结 | 第16-17页 |
| 第2章 推荐系统及其相关技术 | 第17-31页 |
| 2.1 推荐系统及主流推荐算法 | 第17-19页 |
| 2.1.1 推荐系统相关介绍 | 第17-18页 |
| 2.1.2 推荐系统的体系结构 | 第18页 |
| 2.1.3 常用推荐算法 | 第18-19页 |
| 2.2 基于关联规则的推荐算法 | 第19-20页 |
| 2.3 基于内容的推荐算法 | 第20-21页 |
| 2.4 协同过滤算法 | 第21-27页 |
| 2.4.1 基于用户的协同过滤算法 | 第23-26页 |
| 2.4.2 基于项目的协同过滤算法 | 第26-27页 |
| 2.5 算法间的比较 | 第27页 |
| 2.6 评价标准 | 第27-29页 |
| 2.7 本章小结 | 第29-31页 |
| 第3章 基于SVD和用户聚类的协同过滤算法 | 第31-45页 |
| 3.1 聚类算法的概念 | 第31页 |
| 3.2 K-means聚类 | 第31-32页 |
| 3.3 基于SVD和用户聚类的协同过滤推荐算法 | 第32-38页 |
| 3.3.1 SVD矩阵分解技术 | 第33-34页 |
| 3.3.2 用户聚类 | 第34-35页 |
| 3.3.3 相似性计算 | 第35-38页 |
| 3.3.4 预测评分值的计算 | 第38页 |
| 3.4 实验仿真 | 第38-42页 |
| 3.4.1 实验环境和实验数据 | 第38-39页 |
| 3.4.2 评估标准 | 第39页 |
| 3.4.3 实验研究与分析 | 第39-42页 |
| 3.5 本章小结 | 第42-45页 |
| 第4章 融入时间因子的协同过滤算法 | 第45-57页 |
| 4.1 引言 | 第45-46页 |
| 4.2 基于用户特征的评分预测 | 第46-48页 |
| 4.2.1 用户聚类 | 第46页 |
| 4.2.2 基于用户的融入时间因子的评分预测 | 第46-48页 |
| 4.3 基于项目特征的评分预测 | 第48-51页 |
| 4.3.1 项目聚类 | 第48-49页 |
| 4.3.2 基于项目的融入时间因子的评分预测 | 第49-51页 |
| 4.4 融入时间因子的协同过滤算法 | 第51页 |
| 4.5 实验和仿真 | 第51-55页 |
| 4.5.1 实验数据集及评估标准 | 第51-52页 |
| 4.5.2 实验结果及分析 | 第52-55页 |
| 4.6 本章小结 | 第55-57页 |
| 第5章 总结与展望 | 第57-59页 |
| 5.1 总结 | 第57-58页 |
| 5.2 展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间论文发表及科研情况 | 第63-64页 |
| 致谢 | 第64页 |
