基于协同过滤和加权二部图的推荐算法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 推荐系统现状 | 第12-14页 |
| 1.2.2 推荐算法优化和改进研究 | 第14-16页 |
| 1.3 本文的工作 | 第16-17页 |
| 1.4 本文的组织结构 | 第17-19页 |
| 第2章 主流推荐算法的介绍 | 第19-32页 |
| 2.1 CF算法介绍 | 第19-21页 |
| 2.1.1 CF算法思想 | 第19-20页 |
| 2.1.2 改进的余弦相似性介绍 | 第20-21页 |
| 2.2 基于矩阵分解推荐算法介绍 | 第21-22页 |
| 2.2.1 矩阵分解的算法介绍 | 第21-22页 |
| 2.2.2 梯度下降方法介绍 | 第22页 |
| 2.3 基于PageRank推荐算法介绍 | 第22-26页 |
| 2.3.1 PageRank算法产生背景 | 第23页 |
| 2.3.2 PageRank算法介绍 | 第23-25页 |
| 2.3.3 PageRank算法中存在的问题分析 | 第25-26页 |
| 2.4 基于马尔可夫链的推荐 | 第26-27页 |
| 2.4.1 马尔可夫链算法介绍 | 第26-27页 |
| 2.4.2 基于马尔可夫链推荐算法的优点 | 第27页 |
| 2.5 常用的推荐算法衡量指标介绍 | 第27-31页 |
| 2.5.1 平均误差MAE和均方根误差RMSE | 第27-28页 |
| 2.5.2 准确率与召回率 | 第28-29页 |
| 2.5.3 平均正确率AP | 第29-30页 |
| 2.5.4 覆盖率coverage | 第30页 |
| 2.5.5 其他评价指标介绍 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第3章 基于去公众项的评分重合度层次聚类算法 | 第32-43页 |
| 3.1 HC-CRRPI算法思想介绍 | 第32-33页 |
| 3.2 HC-CRRPI算法聚类方法介绍 | 第33-34页 |
| 3.3 HC-CRRPI算法描述 | 第34-36页 |
| 3.4 实验及实验结果分析 | 第36-42页 |
| 3.4.1 实验环境简介 | 第36页 |
| 3.4.2 实验数据集介绍 | 第36-37页 |
| 3.4.3 实验结果展示及分析 | 第37-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于加权二部图的CF算法 | 第43-57页 |
| 4.1 CF-WBG算法的思想介绍 | 第43-44页 |
| 4.2 CF-WBG算法的数据预处理方法介绍 | 第44-46页 |
| 4.3 CF-WBG算法的加权二部图方法介绍 | 第46-50页 |
| 4.3.1 二部图相关理论介绍 | 第46-47页 |
| 4.3.2 二部图的资源分配算法介绍 | 第47-48页 |
| 4.3.3 加权二部图相关理论介绍 | 第48-50页 |
| 4.4 CF-WBG算法描述 | 第50-52页 |
| 4.5 实验结果及分析 | 第52-56页 |
| 4.6 本章小结 | 第56-57页 |
| 第5章 总结与展望 | 第57-59页 |
| 5.1 工作总结 | 第57-58页 |
| 5.2 展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 作者简介及在学期间科研成果 | 第63-64页 |
| 致谢 | 第64页 |
