基于矩阵分解协同过滤推荐算法的改进
| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 目前方法存在的问题 | 第11-14页 |
| 1.3.1 稀疏性问题 | 第11-12页 |
| 1.3.2 冷启动问题 | 第12-13页 |
| 1.3.3 可扩展性问题 | 第13-14页 |
| 1.4 本文主要内容及创新点 | 第14-15页 |
| 1.5 本文结构安排 | 第15-16页 |
| 第2章 个性化推荐系统及其相关技术概述 | 第16-32页 |
| 2.1 个性化推荐系统 | 第16-21页 |
| 2.1.1 个性化推荐系统概念 | 第16-17页 |
| 2.1.2 个性化推荐系统的一般框架 | 第17-18页 |
| 2.1.3 推荐系统的商业应用 | 第18-21页 |
| 2.2 协同过滤推荐算法 | 第21-29页 |
| 2.2.1 基于内存的协同过滤算法 | 第23-26页 |
| 2.2.2 基于模型的协同过滤算法 | 第26-29页 |
| 2.3 数据集与评价指标 | 第29-31页 |
| 2.3.1 数据集介绍 | 第29-30页 |
| 2.3.2 评价指标 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 一种自适应多正则化参数矩阵分解推荐算法 | 第32-43页 |
| 3.1 问题描述 | 第32-33页 |
| 3.2 多超参数概率矩阵分解模型 | 第33-34页 |
| 3.3 正则化参数的估计 | 第34-35页 |
| 3.4 算法的复杂度分析 | 第35-36页 |
| 3.5 实验设计与结果分析 | 第36-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 一种融合邻域模型的矩阵分解推荐算法 | 第43-51页 |
| 4.1 问题描述 | 第43页 |
| 4.2 基于模型融合的推荐算法 | 第43-46页 |
| 4.2.1 邻域模型中的k近邻 | 第43-44页 |
| 4.2.2 融合邻域模型的矩阵分解模型 | 第44-46页 |
| 4.3 算法的复杂度分析 | 第46页 |
| 4.4 实验设计与结果分析 | 第46-50页 |
| 4.5 本章小结 | 第50-51页 |
| 总结与展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57-58页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第58页 |
