结合潜在属性的协同过滤模型研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 信息检索与信息过滤 | 第9页 |
| 1.2 研究背景及意义 | 第9-11页 |
| 1.3 推荐系统的研究内容和研究现状 | 第11-13页 |
| 1.3.1 推荐系统的主要研究内容 | 第11-12页 |
| 1.3.2 国内国外研究现状 | 第12-13页 |
| 1.4 本文的主要研究内容 | 第13-14页 |
| 1.5 文章结构 | 第14-15页 |
| 2 推荐系统及相关技术 | 第15-23页 |
| 2.1 推荐系统的结构 | 第15-18页 |
| 2.2 推荐系统的算法 | 第18-22页 |
| 2.2.1 基于规则的推荐 | 第18-19页 |
| 2.2.2 基于内容的推荐 | 第19-20页 |
| 2.2.3 基于协同过滤的推荐 | 第20-22页 |
| 2.3 各种算法的比较 | 第22页 |
| 2.4 本章小结 | 第22-23页 |
| 3 协同过滤推荐算法 | 第23-30页 |
| 3.1 协同过滤原理 | 第23页 |
| 3.2 协同过滤算法分类 | 第23-24页 |
| 3.3 基于模型的协同过滤算法 | 第24-26页 |
| 3.3.1 基于聚类的协同过滤 | 第24-25页 |
| 3.3.2 基于 pLSA 的协同过滤 | 第25-26页 |
| 3.4 基于内存的协同过滤算法 | 第26-28页 |
| 3.4.1 基于用户的协同过滤算法 | 第26-27页 |
| 3.4.2 基于项目的协同过滤算法 | 第27-28页 |
| 3.5 协同过滤存在的主要问题 | 第28-29页 |
| 3.6 本章小结 | 第29-30页 |
| 4 结合潜在属性的协同过滤模型 | 第30-40页 |
| 4.1 基于模型的推荐系统 | 第30页 |
| 4.2 结合潜在属性的协同过滤模型引入 | 第30-33页 |
| 4.3 挖掘用户和项目的潜在属性 | 第33-36页 |
| 4.3.1 概率潜在语义分析（pLSA） | 第33-35页 |
| 4.3.2 利用 pLSA 挖掘潜在属性 | 第35-36页 |
| 4.4 计算用户和项目的潜在属性 | 第36-39页 |
| 4.4.1 EM 算法介绍 | 第36-38页 |
| 4.4.2 利用 EM 算法进行模型求解 | 第38-39页 |
| 4.5 本章小结 | 第39-40页 |
| 5 实验 | 第40-49页 |
| 5.1 实验原理 | 第40-42页 |
| 5.1.1 BP 神经网络 | 第40-41页 |
| 5.1.2 评价指标 | 第41-42页 |
| 5.2 数据集和实验设置 | 第42-43页 |
| 5.2.1 数据集 | 第42-43页 |
| 5.2.2 实验设置 | 第43页 |
| 5.3 实验过程及结果分析 | 第43-48页 |
| 5.4 本章小结 | 第48-49页 |
| 6 总结与展望 | 第49-51页 |
| 6.1 总结 | 第49页 |
| 6.2 展望 | 第49-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 附录 | 第55页 |
| A. 作者在攻读硕士学位期间发表的论文目录 | 第55页 |
| B. 作者在攻读硕士学位期间参加的科研项目 | 第55页 |
