首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--检索机论文

基于主动学习的个性化推荐算法研究

摘要第3-4页
Abstract第4页
1 绪论第7-12页
    1.1 课题背景和意义第7-9页
    1.2 推荐系统的研究现状第9-11页
    1.3 本文的主要内容和内容安排第11-12页
2 推荐系统综述第12-25页
    2.1 推荐系统的定义和应用第12-14页
        2.1.1 推荐系统的定义第12-13页
        2.1.2 推荐系统的应用第13-14页
    2.2 推荐系统的组成第14-15页
    2.3 推荐系统的评价指标第15-18页
        2.3.1 准确度第15-16页
        2.3.2 覆盖率第16-17页
        2.3.3 新颖性和惊喜度第17页
        2.3.4 实时性第17-18页
    2.4 几种常见的推荐算法第18-23页
        2.4.1 协同过滤算法第18-21页
        2.4.2 基于矩阵分解的算法第21-22页
        2.4.3 基于内容的推荐算法第22-23页
        2.4.4 混合推荐算法第23页
    2.5 推荐系统的难点第23-24页
    2.6 本章总结第24-25页
3 基于主动学习的推荐系统第25-33页
    3.1 主动学习第25-29页
        3.1.1 主动学习的组成第26页
        3.1.2 几种常见的样例选择策略第26-28页
        3.1.3 主动学习的应用第28-29页
    3.2 推荐系统中的主动学习第29-32页
        3.2.1 选择策略的原则第29-30页
        3.2.2 算法结构第30-31页
        3.2.3 基于主动学习的推荐算法第31-32页
    3.3 总结第32-33页
4 针对Baseline SVD算法的主动学习研究第33-53页
    4.1 Baseline SVD算法第33-41页
        4.1.1 数据集第34-37页
        4.1.2 实验设计及分析第37-41页
    4.2 基于评分震荡的样例选择算法第41-46页
        4.2.1 算法描述第42-44页
        4.2.2 实验设计第44页
        4.2.3 实验结果及分析第44-46页
    4.3 基于误差估计的样例选择算法第46-51页
        4.3.1 算法描述第46-47页
        4.3.2 实验设计第47-48页
        4.3.3 实验结果及分析第48-51页
    4.4 两种方法的比较第51页
    4.5 集成样例选择策略第51-52页
    4.6 总结第52-53页
5 针对数据稀疏性提出的混合推荐算法第53-60页
    5.1 数据稀疏性第53-54页
    5.2 Slope One算法第54-56页
    5.3 混合模型推荐算法第56-59页
        5.3.1 实验设计及实验分析第57-59页
    5.4 总结第59-60页
6 总结与展望第60-62页
    6.1 总结第60页
    6.2 未来的展望第60-62页
致谢第62-63页
参考文献第63-67页
附录第67页

论文共67页,点击 下载论文
上一篇:元刊“全相平话五种”民间性特征研究
下一篇:DL植物工厂规模化经营战略研究