基于混合策略的电影推荐算法研究
| 摘要 | 第4-5页 |
| abstract | 第5-7页 |
| 1 绪论 | 第11-22页 |
| 1.1 选题背景及意义 | 第11-12页 |
| 1.1.1 选题背景 | 第11页 |
| 1.1.2 选题意义 | 第11-12页 |
| 1.2 研究现状 | 第12-19页 |
| 1.2.1 国外研究现状 | 第12-15页 |
| 1.2.2 国内研究现状 | 第15-19页 |
| 1.3 文章的研究内容与框架 | 第19-21页 |
| 1.3.1 文章的研究内容 | 第19-20页 |
| 1.3.2 文章的框架 | 第20-21页 |
| 1.4 文章创新点 | 第21页 |
| 1.5 本章小结 | 第21-22页 |
| 2 电影推荐概述 | 第22-33页 |
| 2.1 主要的电影推荐算法 | 第22-31页 |
| 2.1.1 协同过滤算法 | 第22-27页 |
| 2.1.2 关联规则算法 | 第27-28页 |
| 2.1.3 二部图算法 | 第28-31页 |
| 2.2 推荐效果的评价 | 第31-32页 |
| 2.2.1 测试数据集 | 第31页 |
| 2.2.2 测试指标 | 第31-32页 |
| 2.3 本章小结 | 第32-33页 |
| 3 基于动态阈值的Slope One算法 | 第33-42页 |
| 3.1 Slope One算法 | 第33-34页 |
| 3.2 基于动态阈值的Slope One算法构建 | 第34-37页 |
| 3.2.1 算法思想 | 第34页 |
| 3.2.2 动态阈值查找项目最近邻 | 第34-36页 |
| 3.2.3 算法构建 | 第36-37页 |
| 3.3 算法评估 | 第37-41页 |
| 3.4 本章小结 | 第41-42页 |
| 4 基于RBF神经网络的协同过滤算法 | 第42-50页 |
| 4.1 RBF神经网络概述 | 第42-44页 |
| 4.2 基于RBF神经网络的协同过滤算法构建 | 第44-46页 |
| 4.2.1 算法思想 | 第44页 |
| 4.2.2 算法构建 | 第44-46页 |
| 4.3 算法评估 | 第46-49页 |
| 4.4 本章小结 | 第49-50页 |
| 5 基于随机森林的协同过滤算法 | 第50-57页 |
| 5.1 随机森林算法概述 | 第50-51页 |
| 5.2 基于随机森林的协同过滤算法构建 | 第51-53页 |
| 5.2.1 算法思想 | 第51页 |
| 5.2.2 算法构建 | 第51-53页 |
| 5.3 算法评估 | 第53-56页 |
| 5.4 本章小结 | 第56-57页 |
| 6 混合推荐算法的构建及分析 | 第57-65页 |
| 6.1 常用混合推荐算法的结合方式 | 第57-58页 |
| 6.2 混合推荐算法的建立 | 第58-60页 |
| 6.2.1 混合推荐算法的构建思想 | 第58页 |
| 6.2.2 混合推荐算法的构建 | 第58-60页 |
| 6.3 混合推荐算法的验证与分析 | 第60-64页 |
| 6.4 本章小结 | 第64-65页 |
| 7 基于混合推荐算法的电影推荐系统设计 | 第65-71页 |
| 7.1 用户个性化信息的获取 | 第65页 |
| 7.2 系统需求 | 第65-66页 |
| 7.3 电影推荐系统架构 | 第66-67页 |
| 7.4 电影推荐系统的功能模块与处理流程 | 第67-70页 |
| 7.4.1 系统功能模块 | 第67-69页 |
| 7.4.2 系统处理流程 | 第69-70页 |
| 7.5 本章小结 | 第70-71页 |
| 8 总结与展望 | 第71-73页 |
| 8.1 结论 | 第71-72页 |
| 8.2 展望 | 第72-73页 |
| 参考文献 | 第73-79页 |
| 致谢 | 第79-80页 |
| 攻读硕士学位期间发表的论文及科研情况 | 第80页 |
