基于SVD的协同过滤推荐算法研究
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 课题研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 研究目标、内容与方法 | 第15-16页 |
| 1.3.1 课题研究目标 | 第15-16页 |
| 1.3.2 课题研究内容 | 第16页 |
| 1.3.3 课题研究方法 | 第16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第2章 个性化推荐系统及相关技术 | 第18-37页 |
| 2.1 个性化推荐系统 | 第18-19页 |
| 2.2 个性化推荐算法分类 | 第19-25页 |
| 2.2.1 协同过滤推荐 | 第19-21页 |
| 2.2.2 基于内容的推荐 | 第21-22页 |
| 2.2.3 基于知识的推荐 | 第22-23页 |
| 2.2.4 基于图的推荐 | 第23-24页 |
| 2.2.5 基于网络结构的推荐 | 第24页 |
| 2.2.6 融合推荐 | 第24-25页 |
| 2.3 协同过滤推荐算法 | 第25-28页 |
| 2.3.1 评分矩阵 | 第25-26页 |
| 2.3.2 相似度 | 第26-28页 |
| 2.4 核心算法 | 第28-32页 |
| 2.5 协同过滤推荐算法面临的问题 | 第32-33页 |
| 2.6 推荐系统性能度量标准 | 第33-37页 |
| 2.6.1 预测准确度 | 第34页 |
| 2.6.2 分类准确度 | 第34-35页 |
| 2.6.3 其他的评估标准 | 第35-37页 |
| 第3章 SVD算法研究与改进 | 第37-51页 |
| 3.1 SVD基本算法 | 第37-39页 |
| 3.1.1 SVD提出背景 | 第37页 |
| 3.1.2 SVD算法原理 | 第37-39页 |
| 3.2 隐语义模型 | 第39-45页 |
| 3.2.1 梯度下降法 | 第39-41页 |
| 3.2.2 隐语义模型实现原理 | 第41-43页 |
| 3.2.3 隐含特征向量矩阵初始化方法改进 | 第43-45页 |
| 3.3 其他改进的SVD算法 | 第45-51页 |
| 3.3.1 基于学习率调整策略的LFM | 第45-46页 |
| 3.3.2 Sigmoid SVD | 第46-48页 |
| 3.3.3 BiasSVD | 第48-51页 |
| 第4章 融合KNN与隐语义模型的推荐算法 | 第51-58页 |
| 4.1 融合算法的提出 | 第51页 |
| 4.2 模型融合简介 | 第51-52页 |
| 4.3 改进相似度的KNN算法 | 第52-53页 |
| 4.4 融合KNN与隐语义模型的推荐算法 | 第53-54页 |
| 4.4.1 以KNN作为修正项的隐语义模型 | 第53-54页 |
| 4.4.2 以隐含特征进行相似度度量的隐语义模型 | 第54页 |
| 4.5 改进的融合推荐算法流程 | 第54-58页 |
| 4.5.1 以KNN作为修正项的隐语义模型流程 | 第55-56页 |
| 4.5.2 以隐含特征进行相似度度量的隐语义模型 | 第56-58页 |
| 第5章 实验结果及分析 | 第58-64页 |
| 5.1 实验数据集 | 第58页 |
| 5.2 实验设计与算法评测 | 第58-60页 |
| 5.2.1 实验设计 | 第58-59页 |
| 5.2.2 算法推荐质量度量指标 | 第59-60页 |
| 5.3 实验结果与分析 | 第60-64页 |
| 结论与展望 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 攻读硕士学位期间发表的论文 | 第73页 |
