面向移动终端用户的推荐系统研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1．引言 | 第10-14页 |
| 1.1 课题研究背景与意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文的研究内容 | 第11-12页 |
| 1.4 本文的研究大纲 | 第12-14页 |
| 2．基本理论和相关技术 | 第14-18页 |
| 2.1 Hadoop | 第14-16页 |
| 2.2 MapReduce | 第16-18页 |
| 3.推荐系统研究 | 第18-28页 |
| 3.1 推荐系统的概念 | 第18-19页 |
| 3.2 常见的推荐算法 | 第19-22页 |
| 3.2.1 基于内容的推荐 | 第19-20页 |
| 3.2.2 基于协同过滤的推荐 | 第20-21页 |
| 3.2.3 基于关联规则的推荐 | 第21-22页 |
| 3.2.4 基于网络结构的推荐 | 第22页 |
| 3.2.5 混合推荐 | 第22页 |
| 3.3 推荐系统的评价标准 | 第22-24页 |
| 3.3.1 预测准确性 | 第23页 |
| 3.3.2 分类精确度 | 第23页 |
| 3.3.3 多样性 | 第23-24页 |
| 3.4 推荐系统面临的问题和挑战 | 第24-25页 |
| 3.5 推荐系统在移动终端的发展 | 第25-26页 |
| 3.6 本章小结 | 第26-28页 |
| 4.面向新加入的移动用户冷启动的研究 | 第28-38页 |
| 4.1 冷启动问题 | 第28页 |
| 4.2 移动用户的特点 | 第28-29页 |
| 4.3 问题解决思路 | 第29-30页 |
| 4.4 计算新加入用户与其他用户之间的相似度 | 第30-31页 |
| 4.5 面向移动用户和产品情景的推荐 | 第31-33页 |
| 4.5.1 移动用户情景和产品情景相似度 | 第31页 |
| 4.5.2 面向用户和产品情景的协同过滤 | 第31-33页 |
| 4.5.3 Mapreduce技术 | 第33页 |
| 4.6 实验验证 | 第33-37页 |
| 4.6.1 实验环境 | 第33-34页 |
| 4.6.2 数据集的选择 | 第34-35页 |
| 4.6.3 实验内容 | 第35页 |
| 4.6.4 系统可扩展性分析 | 第35-36页 |
| 4.6.5 新用户推荐结果精准性分析 | 第36-37页 |
| 4.7 本章小结 | 第37-38页 |
| 5.面向移动用户的关于多样性的改善 | 第38-44页 |
| 5.1 建立评分矩阵 | 第38页 |
| 5.2 模型建立 | 第38-40页 |
| 5.3 多样性判断 | 第40页 |
| 5.4 实验及分析 | 第40-44页 |
| 5.4.1 算法描述 | 第40-41页 |
| 5.4.2 数据集的选择 | 第41页 |
| 5.4.3 评价标准 | 第41-42页 |
| 5.4.4 对新颖项目的推荐准确性比较 | 第42-43页 |
| 5.4.5 本章小结 | 第43-44页 |
| 6.总结与展望 | 第44-46页 |
| 6.1 本论文研究总结 | 第44-45页 |
| 6.2 工作展望 | 第45-46页 |
| 参考文献 | 第46-50页 |
| 致谢 | 第50-52页 |
| 攻读学位期间发表的学术论文及科研成果 | 第52-53页 |
