摘要 | 第1-13页 |
ABSTRACT | 第13-16页 |
第1章 绪论 | 第16-28页 |
·研究背景与意义 | 第16-17页 |
·协同过滤推荐算法的关键问题 | 第17-19页 |
·相关研究现状 | 第19-25页 |
·数据稀疏性问题 | 第19-22页 |
·可扩展性问题 | 第22-23页 |
·Top-n推荐问题 | 第23-25页 |
·本文的研究内容及创新点 | 第25-27页 |
·本文的组织结构 | 第27-28页 |
第2章 本文涉及的基础知识 | 第28-38页 |
·协同过滤推荐算法 | 第28-33页 |
·基于近邻的CF推荐算法 | 第28-29页 |
·基于矩阵分解的CF推荐算法 | 第29-31页 |
·基于二部图的CF推荐算法 | 第31-32页 |
·基于pairwise排序的CF推荐算法 | 第32-33页 |
·Linked Data | 第33-34页 |
·模糊c-means聚类算法 | 第34-35页 |
·Listwise排序学习 | 第35-37页 |
·本章小节 | 第37-38页 |
第3章 结合Linked Data的协同过滤推荐算法 | 第38-50页 |
·引言 | 第38-39页 |
·结合Linked Data的MF推荐算法 | 第39-44页 |
·项目特征抽取与表示 | 第39-40页 |
·项目相似度度量 | 第40-41页 |
·项目相似度敏感的MF算法 | 第41-43页 |
·算法时间复杂度分析 | 第43-44页 |
·实验评估 | 第44-48页 |
·数据集和评价标准 | 第44页 |
·对比算法 | 第44-45页 |
·实验结果与分析 | 第45-48页 |
·本章小结 | 第48-50页 |
第4章 改进的基于用户组的二部图推荐算法 | 第50-59页 |
·引言 | 第50-51页 |
·基于用户组的推荐方法 | 第51-53页 |
·发现用户组 | 第51-53页 |
·Top-n推荐 | 第53页 |
·实验评估 | 第53-57页 |
·数据集 | 第54页 |
·对比算法 | 第54页 |
·评价标准 | 第54-55页 |
·实验结果 | 第55-57页 |
·本章小结 | 第57-59页 |
第5章 基于信息融合的混合多组聚类推荐方法 | 第59-80页 |
·引言 | 第59-60页 |
·混合多组联合聚类推荐框架 | 第60-70页 |
·框架概览 | 第60-61页 |
·信息融合模块 | 第61-63页 |
·混合多组联合聚类模块 | 第63-68页 |
·Top-n推荐模块 | 第68-70页 |
·实验设置 | 第70-73页 |
·数据集 | 第70-71页 |
·评价标准 | 第71-72页 |
·对比算法 | 第72-73页 |
·实验结果 | 第73-79页 |
·参数选择 | 第73-75页 |
·实验对比 | 第75-78页 |
·讨论 | 第78-79页 |
·本章小结 | 第79-80页 |
第6章 基于Listwise排序的协同过滤推荐算法 | 第80-102页 |
·引言 | 第80-81页 |
·ListCF算法 | 第81-87页 |
·相似度计算方法 | 第81-83页 |
·排序预测方法 | 第83-85页 |
·算法形式化和讨论 | 第85-87页 |
·增量ListCF算法 | 第87-92页 |
·增量更新方法 | 第87-91页 |
·复杂度分析 | 第91-92页 |
·Pointwise、Pairwise和Listwise CF比较 | 第92-94页 |
·相互关系 | 第92-93页 |
·Listwise CF的优势 | 第93-94页 |
·实验评估 | 第94-101页 |
·实验设置 | 第95-96页 |
·运行效率比较 | 第96-98页 |
·预测准确度比较 | 第98-101页 |
·本章小结 | 第101-102页 |
第7章 总结与展望 | 第102-105页 |
·主要工作总结 | 第102-103页 |
·未来工作展望 | 第103-105页 |
参考文献 | 第105-118页 |
致谢 | 第118-119页 |
攻读学位期间发表的学术论文目录 | 第119-120页 |
攻读学位期间参与科研项目情况 | 第120-121页 |
攻读学位期间获奖情况 | 第121-122页 |
外文论文 | 第122-182页 |
学位论文评阅及答辩情况表 | 第182页 |