基于用户兴趣变化和排序的个性化推荐
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 国外研究现状 | 第13-15页 |
| 1.2.2 国内研究现状 | 第15-16页 |
| 1.3 论文主要研究内容和组织结构 | 第16-20页 |
| 1.3.1 主要研究内容 | 第16-17页 |
| 1.3.2 论文组织结构 | 第17-20页 |
| 第2章 推荐系统概述及相关算法 | 第20-29页 |
| 2.1 推荐系统概述 | 第20-23页 |
| 2.1.1 推荐系统的基本构成 | 第20-21页 |
| 2.1.2 推荐系统的作用 | 第21-23页 |
| 2.2 协同过滤推荐算法研究 | 第23-27页 |
| 2.2.1 基于内存的协同过滤算法 | 第23-25页 |
| 2.2.2 基于模型的协同过滤算法 | 第25-26页 |
| 2.2.3 基于混合的协同过滤 | 第26-27页 |
| 2.3 排序学习算法 | 第27-28页 |
| 2.3.1 排序学习概述 | 第27-28页 |
| 2.3.2 排序学习方法 | 第28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于评分预测与推荐列表排序的推荐模型 | 第29-40页 |
| 3.1 推荐系统中存在的问题 | 第29-33页 |
| 3.1.1 评分矩阵数据稀疏性问题 | 第29-30页 |
| 3.1.2 用户兴趣变化问题 | 第30-32页 |
| 3.1.3 推荐列表排序问题 | 第32-33页 |
| 3.2 基于评分预测与推荐列表排序的推荐模型构建 | 第33-39页 |
| 3.2.1 推荐模型的构建 | 第34-35页 |
| 3.2.2 评分预测推荐模块 | 第35-38页 |
| 3.2.3 初始推荐列表排序推荐模块 | 第38-39页 |
| 3.3 本章小结 | 第39-40页 |
| 第4章 基于用户兴趣变化的评分预测初始推荐 | 第40-63页 |
| 4.1 时间对用户兴趣变化的影响 | 第40-43页 |
| 4.1.1 遗忘曲线表征用户兴趣变化 | 第40-41页 |
| 4.1.2 用户兴趣变化时间函数 | 第41-43页 |
| 4.2 用户兴趣变化对推荐的影响 | 第43-45页 |
| 4.2.1 基于用户兴趣变化的聚类 | 第44-45页 |
| 4.2.2 基于用户兴趣变化的相似度计算 | 第45页 |
| 4.3 基于用户兴趣变化的评分预测 | 第45-55页 |
| 4.3.1 基于用户兴趣变化的评分预测框架 | 第45-47页 |
| 4.3.2 基于用户兴趣变化的K-means聚类 | 第47-49页 |
| 4.3.3 评分矩阵预填充 | 第49-51页 |
| 4.3.4 评分预测生成初始推荐列表 | 第51-55页 |
| 4.4 评分预测实验及评估 | 第55-62页 |
| 4.4.1 实验数据集 | 第55页 |
| 4.4.2 实验评价指标 | 第55-56页 |
| 4.4.3 实验过程及结果分析 | 第56-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第5章 基于排序学习的初始推荐列表重排序 | 第63-87页 |
| 5.1 商品推荐中排序学习框架 | 第63-64页 |
| 5.2 基于排序学习的初始推荐列表重排序框架 | 第64-66页 |
| 5.3 排序推荐的学习训练阶段 | 第66-74页 |
| 5.3.1 评分数据的特征构建 | 第66-70页 |
| 5.3.2 推荐样本确定 | 第70-71页 |
| 5.3.3 推荐排序的模型选择 | 第71-72页 |
| 5.3.4 推荐排序的模型训练 | 第72-74页 |
| 5.4 初始推荐列表重排序阶段 | 第74-79页 |
| 5.4.1 初始推荐列表的模型评价 | 第75-77页 |
| 5.4.2 有序列表及最终推荐结果 | 第77-79页 |
| 5.5 初始推荐列表重排序实验及评估 | 第79-86页 |
| 5.5.1 实验数据集 | 第79页 |
| 5.5.2 实验评价指标 | 第79-80页 |
| 5.5.3 实验过程及结果分析 | 第80-86页 |
| 5.6 本章小结 | 第86-87页 |
| 第6章 总结与展望 | 第87-89页 |
| 6.1 总结 | 第87-88页 |
| 6.2 展望 | 第88-89页 |
| 参考文献 | 第89-93页 |
| 致谢 | 第93页 |
