基于协同过滤技术的个性化推荐研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 引言 | 第13-18页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 研究进展 | 第14-16页 |
| 1.3 本文研究内容 | 第16-17页 |
| 1.4 文章组织结构 | 第17-18页 |
| 第二章 个性化推荐关键技术 | 第18-32页 |
| 2.1 个性化推荐相关技术 | 第18-21页 |
| 2.1.1 信息过滤技术 | 第18-20页 |
| 2.1.2 数据挖掘技术 | 第20-21页 |
| 2.2 个性化推荐关键算法 | 第21-29页 |
| 2.2.2 基于内容的推荐 | 第21-23页 |
| 2.2.3 基于记忆的协同过滤 | 第23-27页 |
| 2.2.4 基于模型的协同过滤 | 第27-28页 |
| 2.2.5 混合推荐 | 第28-29页 |
| 2.3 个性化推荐技术研究热点 | 第29-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 基于神经网络和信任改进的协同过滤算法 | 第32-51页 |
| 3.1 基于神经网络的矩阵填充方法研究 | 第32-36页 |
| 3.1.1 稀疏性问题及现有解决方案 | 第32-33页 |
| 3.1.2 基于广义回归神经网络的矩阵填充方法 | 第33-36页 |
| 3.2 基于信任的协同过滤算法 | 第36-43页 |
| 3.2.1 信任与相似性的关系 | 第36-37页 |
| 3.2.2 基于信任的推荐模型研究 | 第37-39页 |
| 3.2.3 信任的度量方法研究 | 第39-41页 |
| 3.2.4 基于信任改进的协同过滤算法 | 第41-43页 |
| 3.3 实验设计分析 | 第43-50页 |
| 3.3.1 实验数据集及评测指标 | 第43-44页 |
| 3.3.2 基于神经网络进行矩阵填充的性能验证 | 第44-47页 |
| 3.3.3 基于信任改进的协同过滤算法的性能验证 | 第47-50页 |
| 3.4 本章小结 | 第50-51页 |
| 第四章 基于协同过滤推荐的动态改进研究 | 第51-78页 |
| 4.1 时效性对协同过滤推荐的影响 | 第51-55页 |
| 4.1.1 评分的时效变化 | 第51-52页 |
| 4.1.2 时效性对相似性度量的影响 | 第52-54页 |
| 4.1.3 时效性对推荐准确性的影响 | 第54-55页 |
| 4.2 基于记忆的协同过滤推荐动态改进 | 第55-58页 |
| 4.2.1 相似性度量的动态改进 | 第55-56页 |
| 4.2.2 评分预测计算的动态改进 | 第56-58页 |
| 4.3 基于模型的协同过滤推荐动态改进 | 第58-67页 |
| 4.3.1 基线模型 | 第58-60页 |
| 4.3.2 基线模型的动态改进 | 第60-63页 |
| 4.3.3 矩阵分解模型 | 第63-65页 |
| 4.3.4 矩阵分解模型的动态改进 | 第65-67页 |
| 4.4 实验设计与分析 | 第67-77页 |
| 4.4.1 实验数据集及评测指标 | 第67页 |
| 4.4.2 基于记忆的协同过滤动态改进有效性验证 | 第67-70页 |
| 4.4.3 基线模型动态改进有效性验证 | 第70-75页 |
| 4.4.4 矩阵分解模型动态改进有效性验证 | 第75-77页 |
| 4.5 本章小节 | 第77-78页 |
| 第五章 总结与展望 | 第78-80页 |
| 5.1 总结 | 第78页 |
| 5.2 展望 | 第78-80页 |
| 致谢 | 第80-81页 |
| 参考文献 | 第81-85页 |
| 攻读硕士学位期间的研究成果 | 第85-86页 |
