基于集成学习的个性化推荐算法研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-17页 |
| ·选题背景与研究意义 | 第10-11页 |
| ·国内外现状 | 第11-15页 |
| ·集成学习现状 | 第11-13页 |
| ·个性化推荐现状 | 第13-15页 |
| ·本文的主要研究内容 | 第15-16页 |
| ·本文的组织结构 | 第16-17页 |
| 第二章 集成学习 | 第17-27页 |
| ·集成学习概述 | 第17-19页 |
| ·集成学习两大算法 | 第19-25页 |
| ·Bagging 算法 | 第19-20页 |
| ·Boosting 算法 | 第20-25页 |
| ·AdaBoost 系列代表算法 | 第20-22页 |
| ·基于间隔的 Boosting 算法 | 第22-25页 |
| ·集成学习的应用 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 个性化推荐 | 第27-40页 |
| ·推荐系统概述 | 第27-28页 |
| ·个性化推荐技术 | 第28-36页 |
| ·协同过滤推荐技术 | 第28-34页 |
| ·基于内容的推荐 | 第34-35页 |
| ·混合推荐技术 | 第35-36页 |
| ·评价指标 | 第36-39页 |
| ·基于预测评分的准确度 | 第36-37页 |
| ·基于推荐列表的准确度 | 第37-39页 |
| ·本章小结 | 第39-40页 |
| 第四章 改进的协同过滤算法 | 第40-51页 |
| ·问题提出及现有的解决方案 | 第40-41页 |
| ·算法设计 | 第41-48页 |
| ·决策树技术 | 第41-43页 |
| ·决策树进行分组 | 第43-45页 |
| ·改进的相似度计算方法 | 第45-47页 |
| ·推荐产生 | 第47-48页 |
| ·实验验证 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 第五章 基于集成学习的个性化推荐 | 第51-68页 |
| ·问题的提出 | 第51-52页 |
| ·算法设计 | 第52-61页 |
| ·最大化软间隔算法 SoftBoost | 第52-57页 |
| ·将 SoftBoost 用于个性化推荐 | 第57-60页 |
| ·弱学习器的生成 | 第60-61页 |
| ·具体算法描述 | 第61页 |
| ·实验结果与分析 | 第61-67页 |
| ·基于 TOPN 的结果分析 | 第62-66页 |
| ·基于 NDCG 评价指标的结果分析 | 第66-67页 |
| ·本章小结 | 第67-68页 |
| 第六章 总结和展望 | 第68-70页 |
| ·本文工作总结 | 第68页 |
| ·工作展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 攻硕期间取得的研究成果 | 第76-77页 |
