基于用户兴趣向量的混合推荐算法
| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景和意义 | 第12-14页 |
| 1.2 国内外的发展现状 | 第14-16页 |
| 1.3 本文的研究内容和结构安排 | 第16-19页 |
| 第2章 推荐系统及相关技术 | 第19-35页 |
| 2.1 推荐系统简介 | 第19-21页 |
| 2.2 经典的推荐算法 | 第21-33页 |
| 2.2.1 基于人口统计学的推荐算法 | 第21-22页 |
| 2.2.2 基于内容的推荐算法 | 第22-25页 |
| 2.2.3 基于协同过滤的推荐算法 | 第25-32页 |
| 2.2.4 混合推荐算法 | 第32-33页 |
| 2.3 推荐算法的评价指标 | 第33-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第3章 基于用户兴趣向量的电影混合推荐算法 | 第35-52页 |
| 3.1 引言 | 第35-37页 |
| 3.2 电影特征向量建模 | 第37-38页 |
| 3.3 用户兴趣向量建模 | 第38-42页 |
| 3.3.1 数据稀疏性问题解决方案 | 第38-39页 |
| 3.3.2 用户兴趣迁移问题解决方案 | 第39-40页 |
| 3.3.3 用户兴趣向量的建立 | 第40-42页 |
| 3.4 迭代更新过程 | 第42-43页 |
| 3.5 基于用户兴趣向量的混合推荐 | 第43-45页 |
| 3.5.1 相似度分析 | 第43-45页 |
| 3.5.2 生成推荐 | 第45页 |
| 3.6 实验结果及分析 | 第45-50页 |
| 3.6.1 数据集和评价方法 | 第46-47页 |
| 3.6.2 参数的影响 | 第47-49页 |
| 3.6.3 与现有推荐算法的比较 | 第49-50页 |
| 3.7 本章小结 | 第50-52页 |
| 第4章 基于用户行为的智能冷柜存取策略 | 第52-62页 |
| 4.1 引言 | 第52-54页 |
| 4.2 样品关联度 | 第54-57页 |
| 4.2.1 基于特征属性的样品关联度 | 第54-56页 |
| 4.2.2 基于用户行为的样品关联度 | 第56-57页 |
| 4.2.3 样品关联度 | 第57页 |
| 4.3 样品存储策略 | 第57-60页 |
| 4.4 样品提取方法 | 第60-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第5章 总结与展望 | 第62-64页 |
| 5.1 本文总结 | 第62-63页 |
| 5.2 工作展望 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 致谢 | 第67-68页 |
| 攻读硕士研究生期间研究成果 | 第68-69页 |
| 附件 | 第69页 |
