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 |