协同过滤推荐系统中稀疏性数据的算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-14页 |
| 1.3.1 推荐系统研究现状 | 第12-13页 |
| 1.3.2 稀疏性问题的研究现状 | 第13-14页 |
| 1.4 主要研究内容及创新点 | 第14-15页 |
| 1.5 本文结构 | 第15-17页 |
| 第二章 协同过滤推荐系统 | 第17-28页 |
| 2.1 推荐系统 | 第17-19页 |
| 2.1.1 推荐系统概述 | 第17-19页 |
| 2.1.2 电影推荐系统概述 | 第19页 |
| 2.2 基于协同过滤技术的推荐系统 | 第19-26页 |
| 2.2.1 协同过滤技术 | 第19-21页 |
| 2.2.2 基于用户的协同过滤算法 | 第21-23页 |
| 2.2.3 基于项目的协同过滤算法 | 第23-25页 |
| 2.2.4 基于模型的协同过滤算法 | 第25-26页 |
| 2.3 协同过滤面临的关键问题 | 第26-27页 |
| 2.3.1 冷启动问题 | 第26-27页 |
| 2.3.2 稀疏性数据问题 | 第27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 推荐系统相关技术 | 第28-34页 |
| 3.1 主成分分析法 | 第28-30页 |
| 3.1.1 主成分分析法概述 | 第28-29页 |
| 3.1.2 主成分分析法具体步骤 | 第29-30页 |
| 3.2 聚类分析法 | 第30-33页 |
| 3.2.1 聚类算法概述 | 第30-32页 |
| 3.2.2 K-Means算法 | 第32-33页 |
| 3.3 本章小结 | 第33-34页 |
| 第四章 基于改进相似度的协同过滤算法 | 第34-43页 |
| 4.1 传统相似度计算方法 | 第34-35页 |
| 4.2 传统相似度计算方法的缺陷 | 第35-36页 |
| 4.3 基于改进相似度的协同过滤算法 | 第36-38页 |
| 4.3.1 共同评分项目数比 | 第37页 |
| 4.3.2 平均评分 | 第37-38页 |
| 4.3.3 基于改进相似度的协同过滤算法 | 第38页 |
| 4.4 仿真及分析 | 第38-42页 |
| 4.4.1 数据集 | 第38-39页 |
| 4.4.2 算法评价标准 | 第39-40页 |
| 4.4.3 仿真结果及分析 | 第40-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第五章 基于降维和聚类的协同过滤算法 | 第43-53页 |
| 5.1 改进主成分分析 | 第43-45页 |
| 5.2 基于改进相似度的用户聚类模型 | 第45-47页 |
| 5.3 基于降维和聚类的协同过滤算法 | 第47-48页 |
| 5.4 仿真及分析 | 第48-52页 |
| 5.4.1 仿真数据及评价标准 | 第48-49页 |
| 5.4.2 仿真结果及分析 | 第49-52页 |
| 5.5 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6.1 文章总结 | 第53-54页 |
| 6.2 未来展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士期间取得的研究成果 | 第60-61页 |
