基于改进的用户偏好与物品特征主题的混合协同过滤算法研究
| 摘要 | 第2-4页 |
| ABSTRACT | 第4-6页 |
| 第一章 绪论 | 第10-23页 |
| 第一节 研究背景及研究意义 | 第10-12页 |
| 一、研究背景 | 第10-11页 |
| 二、研究意义 | 第11-12页 |
| 第二节 国内外研究现状 | 第12-18页 |
| 一、基于内容的协同过滤 | 第13-15页 |
| 二、基于多源信息的协同过滤 | 第15-18页 |
| 三、文献评述 | 第18页 |
| 第三节 研究内容及研究框架 | 第18-21页 |
| 一、研究内容 | 第18-19页 |
| 二、组织结构 | 第19-20页 |
| 三、研究框架 | 第20-21页 |
| 第四节 创新点及研究难点 | 第21-23页 |
| 一、创新点 | 第21-22页 |
| 二、研究难点及解决方法 | 第22-23页 |
| 第二章 协同过滤相关理论及方法阐述 | 第23-36页 |
| 第一节 协同过滤算法 | 第23-27页 |
| 一、基于用户的协同过滤 | 第23-24页 |
| 二、基于物品的协同过滤 | 第24-26页 |
| 三、相似度计算 | 第26-27页 |
| 第二节 文本挖掘 | 第27-32页 |
| 一、评论文本在推荐系统中的应用 | 第27-29页 |
| 二、文本预处理 | 第29-32页 |
| 第三节 LDA主题模型 | 第32-36页 |
| 一、LDA主题模型概述 | 第32-34页 |
| 二、实现步骤 | 第34-36页 |
| 第三章 协同过滤算法的改进研究 | 第36-50页 |
| 第一节 协同过滤算法存在的问题 | 第36-38页 |
| 一、数据稀疏性 | 第36-37页 |
| 二、时间因素 | 第37-38页 |
| 第二节 基于主题的协同过滤算法及其改进思路 | 第38-42页 |
| 一、评论主题分布 | 第38-39页 |
| 二、基于主题的协同过滤算法的优点及不足 | 第39-40页 |
| 三、改进思路 | 第40-42页 |
| 第三节 基于改进的用户偏好主题的协同过滤算法 | 第42-45页 |
| 一、结合评论态度与用户兴趣变化改进的用户偏好 | 第42-43页 |
| 二、改进的用户相似度 | 第43页 |
| 三、评分预测 | 第43-44页 |
| 四、基于改进的用户偏好主题的协同过滤算法流程 | 第44-45页 |
| 第四节 基于改进的物品特征主题的协同过滤算法 | 第45-47页 |
| 一、结合评论态度与物品热度衰减改进的物品特征 | 第45页 |
| 二、改进的物品相似度 | 第45-46页 |
| 三、评分预测 | 第46页 |
| 四、基于改进的物品特征主题的协同过滤算法流程 | 第46-47页 |
| 第五节 基于改进后的混合协同过滤算法的实现 | 第47-50页 |
| 一、混合方式的确定 | 第47-48页 |
| 二、改进后的混合协同过滤算法 | 第48-50页 |
| 第四章 基于改进后的混合协同过滤算法实证分析 | 第50-70页 |
| 第一节 数据集与软硬件环境 | 第50-51页 |
| 一、Amazon电子产品数据集 | 第50页 |
| 二、软硬件环境 | 第50-51页 |
| 第二节 基于分布特征的数据选取 | 第51-54页 |
| 一、训练集与测试集选取 | 第51-52页 |
| 二、基于评论次数的目标选择 | 第52-54页 |
| 第三节 文本预处理 | 第54-62页 |
| 一、词性标注 | 第54-56页 |
| 二、词云展示 | 第56-57页 |
| 三、向量化处理 | 第57-58页 |
| 四、基于LDA模型的主题提取 | 第58-62页 |
| 第四节 实证结果与分析 | 第62-70页 |
| 一、评价指标 | 第62-63页 |
| 二、改进的有效性分析 | 第63-65页 |
| 三、参数确定 | 第65-67页 |
| 四、性能对比 | 第67-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 第一节 总结 | 第70-71页 |
| 第二节 展望 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 附录 | 第75-80页 |
| 致谢 | 第80-81页 |
