基于近邻的协同过滤算法的优化与实现
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-16页 |
| ·研究背景及意义 | 第10-11页 |
| ·国内外研究现状 | 第11-14页 |
| ·本文的研究内容和拟采用的技术路线 | 第14-15页 |
| ·本文组织结构 | 第15页 |
| ·本章小结 | 第15-16页 |
| 第二章 推荐系统及相关技术概述 | 第16-25页 |
| ·推荐系统的工作原理 | 第16-17页 |
| ·推荐引擎的分类 | 第17-21页 |
| ·基于人口统计学的推荐 | 第17-18页 |
| ·基于内容的推荐 | 第18页 |
| ·基于关联规则的推荐 | 第18页 |
| ·基于协同过滤的推荐 | 第18-20页 |
| ·社会化推荐 | 第20页 |
| ·混合推荐 | 第20-21页 |
| ·推荐系统评测 | 第21-22页 |
| ·推荐引擎的实际应用举例 | 第22-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 基于近邻的协同过滤 | 第25-37页 |
| ·基于近邻(KNN)的协同过滤算法 | 第25-29页 |
| ·基于用户(User-based)的协同过滤算法 | 第25-28页 |
| ·基于项目(Item-based)的协同过滤推荐 | 第28-29页 |
| ·基于用户的协同过滤与基于项目的协同过滤比较 | 第29页 |
| ·传统 KNN 协同过滤中存在的相似度计算问题 | 第29-36页 |
| ·相似度计算问题 | 第29-30页 |
| ·现有的解决方案 | 第30-31页 |
| ·相似度结果对比 | 第31-33页 |
| ·一种改进方案 | 第33-36页 |
| ·本章小结 | 第36-37页 |
| 第四章 结合 SVD 的 KNN 协同过滤 | 第37-48页 |
| ·引言 | 第37页 |
| ·SVD 介绍 | 第37-41页 |
| ·Basic SVD | 第39页 |
| ·Biased-SVD | 第39-41页 |
| ·结合 SVD 的 KNN 算法 | 第41-42页 |
| ·算法描述 | 第41页 |
| ·算法步骤 | 第41-42页 |
| ·实验结果及分析 | 第42-47页 |
| ·实验数据集 | 第42页 |
| ·实验评价基准 | 第42-43页 |
| ·实验环境 | 第43页 |
| ·实验结果与分析 | 第43-47页 |
| ·本章小结 | 第47-48页 |
| 第五章 推荐引擎设计与实现 | 第48-58页 |
| ·推荐系统组成 | 第48-50页 |
| ·在线部分 | 第48-49页 |
| ·离线部分 | 第49-50页 |
| ·美味书签的推荐引擎 | 第50-53页 |
| ·数据获取及数据表示 | 第50-51页 |
| ·相似度矩阵计算 | 第51页 |
| ·生成推荐列表 | 第51页 |
| ·实验结果 | 第51-53页 |
| ·豆瓣书籍的推荐引擎 | 第53-57页 |
| ·读书数据抓取 | 第53-54页 |
| ·选取推荐引擎的算法 | 第54-55页 |
| ·实际过程中遇到的问题 | 第55-57页 |
| ·本章小结 | 第57-58页 |
| 总结与展望 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63-64页 |
| 附件 | 第64页 |
