推荐系统中多样性和新颖性算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.2 推荐系统多样性和新颖性定义 | 第14-15页 |
| 1.3 推荐系统多样性和新颖性的研究现状 | 第15-18页 |
| 1.4 本文的主要研究工作 | 第18页 |
| 1.5 本文的章节安排 | 第18-20页 |
| 第2章 推荐系统研究概述 | 第20-38页 |
| 2.1 推荐系统的发展 | 第20页 |
| 2.2 主要方法 | 第20-32页 |
| 2.2.1 协同过滤推荐算法 | 第21-23页 |
| 2.2.2 基于内容的推荐算法 | 第23-24页 |
| 2.2.3 基于知识的推荐算法 | 第24-29页 |
| 2.2.4 基于标签的推荐算法 | 第29-30页 |
| 2.2.5 混合推荐算法 | 第30-32页 |
| 2.3 主要评价指标 | 第32-34页 |
| 2.3.1 准确性指标 | 第32-33页 |
| 2.3.2 非准确性指标 | 第33-34页 |
| 2.4 面临的挑战及发展趋势 | 第34-37页 |
| 2.4.1 推荐算法的鲁棒性 | 第34-35页 |
| 2.4.2 冷启动问题 | 第35页 |
| 2.4.3 推荐系统中用户隐私问题 | 第35页 |
| 2.4.4 移动信息系统上的推荐 | 第35-36页 |
| 2.4.5 大数据处理与算法可扩展性问题 | 第36页 |
| 2.4.6 推荐的多样性和新颖性 | 第36页 |
| 2.4.7 跨领域推荐系统 | 第36页 |
| 2.4.8 融合用户的长期兴趣和短期兴趣 | 第36-37页 |
| 2.4.9 社会推荐 | 第37页 |
| 2.5 小结 | 第37-38页 |
| 第3章 融合用户人口统计属性的协同过滤算法 | 第38-51页 |
| 3.1 引言 | 第38页 |
| 3.2 相关工作 | 第38-39页 |
| 3.3 具体步骤 | 第39-44页 |
| 3.3.1 基于人口统计属性的用户相似度计算 | 第40-41页 |
| 3.3.2 基于用户人口统计属性的层次聚类 | 第41页 |
| 3.3.3 计算物品的类内流行度 | 第41-42页 |
| 3.3.4 改进后的协同过滤推荐算法 | 第42-44页 |
| 3.4 实验 | 第44-49页 |
| 3.4.1 数据集 | 第44页 |
| 3.4.2 实验设定 | 第44页 |
| 3.4.3 用户聚类 | 第44-45页 |
| 3.4.4 实验结果及分析 | 第45-49页 |
| 3.5 小结 | 第49-51页 |
| 第4章 基于邻居多样性的协同过滤算法 | 第51-59页 |
| 4.1 引言 | 第51页 |
| 4.2 邻居多样性定义 | 第51-52页 |
| 4.3 传统基于用户的协同过滤算法 | 第52页 |
| 4.4 邻居多样化算法 | 第52-53页 |
| 4.5 实验 | 第53-58页 |
| 4.5.1 数据集及实验设定 | 第53-54页 |
| 4.5.2 实验结果及分析 | 第54-58页 |
| 4.6 小结 | 第58-59页 |
| 第5章 融合用户偏好分布差异的推荐算法 | 第59-65页 |
| 5.1 引言 | 第59页 |
| 5.2 模型 | 第59-61页 |
| 5.2.1 用户的个性化度 | 第60页 |
| 5.2.2 用户的兴趣广度 | 第60-61页 |
| 5.2.3 融合用户个性化度和兴趣广度的推荐算法 | 第61页 |
| 5.3 实验 | 第61-64页 |
| 5.3.1 数据集及实验设定 | 第61-62页 |
| 5.3.2 实验结果及分析 | 第62-64页 |
| 5.4 小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 附录A (攻读硕士学位期间所发表的论文目录) | 第73-74页 |
| 附录B (攻读硕士学位期间所参与的科研活动) | 第74-75页 |
| 致谢 | 第75页 |
