融合协同过滤及信息时效性的混合推荐算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 国外研究现状 | 第10-12页 |
| 1.2.2 国内研究现状 | 第12-14页 |
| 1.3 论文主要研究内容 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-17页 |
| 第2章 相关理论与技术 | 第17-29页 |
| 2.1 推荐系统相关理论 | 第17-24页 |
| 2.1.1 推荐系统概述 | 第17-18页 |
| 2.1.2 推荐技术分类 | 第18-24页 |
| 2.2 网络信息老化理论 | 第24-26页 |
| 2.2.1 信息老化 | 第24-25页 |
| 2.2.2 网络信息老化指标 | 第25-26页 |
| 2.3 数据集及评价指标 | 第26-28页 |
| 2.3.1 常用数据集 | 第26-27页 |
| 2.3.2 推荐系统的评价指标 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 协同过滤推荐算法研究及优化 | 第29-52页 |
| 3.1 协同过滤推荐技术概述 | 第29-35页 |
| 3.1.1 传统的协同过滤推荐技术 | 第29-33页 |
| 3.1.2 传统协同过滤推荐技术存在的问题 | 第33-35页 |
| 3.2 基于矩阵改进的协同过滤推荐算法 | 第35-47页 |
| 3.2.1 结合项目间影响度改进的评分矩阵 | 第35-37页 |
| 3.2.2 基于BP神经网络预测的评分矩阵 | 第37-47页 |
| 3.2.3 基于矩阵优化的推荐算法模型 | 第47页 |
| 3.3 实验及结果分析 | 第47-51页 |
| 3.3.1 算法评价指标 | 第48页 |
| 3.3.2 实验结果分析 | 第48-51页 |
| 3.4 本章小结 | 第51-52页 |
| 第4章 考虑信息时效性的协同过滤推荐算法 | 第52-65页 |
| 4.1 时间上下文信息 | 第52-53页 |
| 4.2 网络信息时效性 | 第53-58页 |
| 4.2.1 信息时效性模型 | 第53-54页 |
| 4.2.2 信息时效性模型的有效性验证 | 第54-58页 |
| 4.3 考虑信息时效性的协同过滤算法 | 第58-61页 |
| 4.3.1 考虑信息时效性的推荐算法模型构建 | 第58-59页 |
| 4.3.2 信息时效性改进相似度计算 | 第59-60页 |
| 4.3.3 信息时效性调优推荐结果 | 第60页 |
| 4.3.4 算法复杂度分析 | 第60-61页 |
| 4.4 推荐结果实验分析 | 第61-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第5章 混合推荐算法及实验结果分析 | 第65-80页 |
| 5.1 混合推荐算法 | 第65-66页 |
| 5.2 实验准备 | 第66-68页 |
| 5.2.1 实验评估指标 | 第66-67页 |
| 5.2.2 实验环境及数据 | 第67-68页 |
| 5.3 实验设计及结果分析 | 第68-79页 |
| 5.3.1 基础实验 | 第68-71页 |
| 5.3.2 交叉验证实验 | 第71-72页 |
| 5.3.3 算法对比实验 | 第72-77页 |
| 5.3.4 推荐算法实例展示 | 第77-79页 |
| 5.4 本章小结 | 第79-80页 |
| 第6章 总结与展望 | 第80-82页 |
| 6.1 论文总结 | 第80-81页 |
| 6.2 研究展望 | 第81-82页 |
| 参考文献 | 第82-86页 |
| 致谢 | 第86页 |
