面向稀疏数据的个性化推荐算法研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 工商业界推荐系统应用现状 | 第12-13页 |
| 1.2.2 学术界研究现状 | 第13-15页 |
| 1.3 研究内容以及创新点 | 第15-16页 |
| 1.4 内容组织结构 | 第16-17页 |
| 第二章 个性化推荐算法的相关理论基础 | 第17-25页 |
| 2.1 协同过滤算法 | 第17-23页 |
| 2.1.1 基于邻域的协同过滤推荐算法 | 第17-20页 |
| 2.1.2 基于模型的协同过滤推荐算法 | 第20-22页 |
| 2.1.3 SLIM算法 | 第22-23页 |
| 2.2 基于社交网络的推荐算法 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第三章 基于相似用户集的SLIM算法 | 第25-39页 |
| 3.1 问题背景 | 第25-26页 |
| 3.2 算法模型 | 第26-29页 |
| 3.2.1 相关定义 | 第26页 |
| 3.2.2 模型介绍 | 第26-27页 |
| 3.2.3 生成相似用户集合 | 第27-28页 |
| 3.2.4 改进SLIM算法模型 | 第28-29页 |
| 3.3 实验与结果分析 | 第29-37页 |
| 3.3.1 实验数据集 | 第29-30页 |
| 3.3.2 实验方法与实验评价标准 | 第30页 |
| 3.3.3 实验结果分析 | 第30-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第四章 融合社交信息的个性化推荐算法 | 第39-51页 |
| 4.1 社交网络推荐 | 第39-40页 |
| 4.1.1 问题背景 | 第39-40页 |
| 4.1.2 相关定义 | 第40页 |
| 4.2 算法模型 | 第40-42页 |
| 4.2.1 基于用户的SLIM算法 | 第41页 |
| 4.2.2 融合社交信息的SLIM算法 | 第41-42页 |
| 4.3 社交网络数据集 | 第42-44页 |
| 4.4 实验与结果分析 | 第44-49页 |
| 4.4.1 评价标准与对比算法 | 第44-45页 |
| 4.4.2 实验结果与分析 | 第45-49页 |
| 4.5 本章小结 | 第49-51页 |
| 第五章 融合用户兴趣的社交网络推荐算法 | 第51-59页 |
| 5.1 问题背景 | 第51-52页 |
| 5.2 算法模型 | 第52-55页 |
| 5.2.1 用户个人兴趣建模 | 第52页 |
| 5.2.2 用户间信任传播建模 | 第52-54页 |
| 5.2.3 信任度与用户兴趣融合 | 第54页 |
| 5.2.4 融合SLIM算法产生推荐 | 第54-55页 |
| 5.3 实验与结果分析 | 第55-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 本文工作总结 | 第59-60页 |
| 6.2 未来工作展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-67页 |
| 攻读学位期间发表的学术论文 | 第67页 |
