| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景及研究的目的和意义 | 第10-11页 |
| 1.1.1 课题背景 | 第10-11页 |
| 1.1.2 研究目的与意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.3 论文研究内容 | 第15页 |
| 1.4 论文结构 | 第15-16页 |
| 第2章 相关理论与技术知识 | 第16-25页 |
| 2.1 传统协同过滤推荐算法 | 第16-19页 |
| 2.1.1 构建用户-商品评分矩阵 | 第16-17页 |
| 2.1.2 用户间相似度的计算 | 第17-18页 |
| 2.1.3 邻居用户集的选择 | 第18页 |
| 2.1.4 Top-N商品推荐 | 第18-19页 |
| 2.2 径向基神经网络 | 第19-21页 |
| 2.3 自组织映射神经网络 | 第21-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 用户行为数据分析及预处理 | 第25-29页 |
| 3.1 用户行为的概念 | 第25页 |
| 3.2 用户行为权值和行为频率 | 第25-27页 |
| 3.3 用户-商品评分计算 | 第27-28页 |
| 3.3.1 原始评分计算 | 第27页 |
| 3.3.2 调整评分计算 | 第27-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第4章 基于径向基神经网络的预测填充算法 | 第29-37页 |
| 4.1 评分矩阵稀疏问题 | 第29页 |
| 4.1.1 评分矩阵稀疏问题描述 | 第29页 |
| 4.2 RBF-NN改善稀疏性问题的依据 | 第29-31页 |
| 4.3 RBF-NN神经网络预测填充评分矩阵算法设计 | 第31-36页 |
| 4.3.1 RBF_UN神经网络预测填充算法设计 | 第31-34页 |
| 4.3.2 RBF_IN神经网络预测填充评分矩阵算法设计 | 第34-36页 |
| 4.4 本章小结 | 第36-37页 |
| 第5章 基于SOM聚类和灰色关联分析的邻居集查找 | 第37-46页 |
| 5.1 利用自组织竞争学习神经网络进行聚类 | 第37-41页 |
| 5.1.1 用户-商品评分矩阵聚类分析 | 第37-38页 |
| 5.1.2 SOM自组织用户聚类的处理步骤 | 第38-41页 |
| 5.2 灰色关联分析计算相似度 | 第41-45页 |
| 5.2.1 灰色关联分析计算相似度的依据 | 第41-42页 |
| 5.2.2 灰色关联分析计算用户相似度步骤 | 第42-44页 |
| 5.2.3 灰色关联分析计算相似度实例分析 | 第44-45页 |
| 5.3 本章小结 | 第45-46页 |
| 第6章 实验结果及分析 | 第46-62页 |
| 6.1 整体推荐框架 | 第46页 |
| 6.2 推荐算法性能指标 | 第46-49页 |
| 6.2.1 预测评分准确度 | 第46-47页 |
| 6.2.2 推荐分类准确度 | 第47-49页 |
| 6.3 评分调整权重的确定 | 第49-51页 |
| 6.4 RBF预测填充实验与分析 | 第51-54页 |
| 6.4.1 RBF_UN和RBF_IN预测填充对比 | 第51-52页 |
| 6.4.2 邻居用户个数的确定 | 第52-54页 |
| 6.5 SOM聚类实验与分析 | 第54-56页 |
| 6.6 推荐实验与分析 | 第56-61页 |
| 6.6.1 准确率对比分析 | 第56-57页 |
| 6.6.2 召回率对比分析 | 第57-59页 |
| 6.6.3 F1指标对比分析 | 第59-61页 |
| 6.6.4 时间复杂度分析 | 第61页 |
| 6.7 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68页 |
