基于协同过滤算法数据稀疏性问题的研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景和研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 推荐系统研究现状 | 第12-13页 |
| 1.2.2 协同过滤推荐算法稀疏性问题研究现状 | 第13-14页 |
| 1.3 本文的主要内容 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-16页 |
| 2 推荐系统及其相关理论介绍 | 第16-27页 |
| 2.1 推荐系统概述 | 第16-20页 |
| 2.1.1 基于模型的推荐 | 第16-17页 |
| 2.1.2 基于关联规则的推荐 | 第17-18页 |
| 2.1.3 基于内容的推荐 | 第18-19页 |
| 2.1.4 混合推荐 | 第19-20页 |
| 2.2 协同过滤算法 | 第20-23页 |
| 2.2.1 基于用户的协同过滤算法 | 第20-23页 |
| 2.2.2 基于项目的协同过滤算法 | 第23页 |
| 2.3 协同过滤算法数据稀疏性问题 | 第23-24页 |
| 2.4 推荐算法的评价指标 | 第24-26页 |
| 2.4.1 预测准确性 | 第24-25页 |
| 2.4.2 分类准确性 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 稀疏数据的评分预测算法研究 | 第27-39页 |
| 3.1 评分预测数据稀疏性问题 | 第27-28页 |
| 3.2 相似度计算 | 第28-30页 |
| 3.2.1 余弦相似性 | 第28-29页 |
| 3.2.2 修正的余弦相似性 | 第29-30页 |
| 3.2.3 Pearson相关相似性 | 第30页 |
| 3.3 数据的评分预测 | 第30-35页 |
| 3.3.1 传统的评分预测算法 | 第30-32页 |
| 3.3.2 改进的评分预测算法 | 第32-33页 |
| 3.3.3 评分预测过程 | 第33-35页 |
| 3.4 实验设计与分析 | 第35-38页 |
| 3.4.1 实验数据集和环境 | 第35页 |
| 3.4.2 实验方案与结果分析 | 第35-38页 |
| 3.5 本章小结 | 第38-39页 |
| 4 基于预测值和多元值混合填充算法 | 第39-51页 |
| 4.1 问题的提出与分析 | 第39-40页 |
| 4.2 基于预测值填充 | 第40-42页 |
| 4.3 多元值填充 | 第42-45页 |
| 4.3.1 多原值填充分析 | 第42-43页 |
| 4.3.2 多元值计算规则 | 第43-44页 |
| 4.3.3 多元值单独填充实现 | 第44-45页 |
| 4.4 基于预测值和多元值填充的混合填充规则 | 第45-48页 |
| 4.5 实验结果与分析 | 第48-50页 |
| 4.5.1 实验数据集和实验环境 | 第48页 |
| 4.5.2 实验及分析 | 第48-50页 |
| 4.6 本章小结 | 第50-51页 |
| 5 基于用户兴趣偏好的协同过滤推荐算法 | 第51-65页 |
| 5.1 用户兴趣偏好的提出 | 第51-52页 |
| 5.2 基于用户兴趣偏好相似度的计算 | 第52-57页 |
| 5.2.1 基于用户兴趣偏好相似度 | 第52-56页 |
| 5.2.2 综合相似度 | 第56-57页 |
| 5.3 混合的协同过滤推荐算法 | 第57-60页 |
| 5.3.1 评分矩阵的预处理 | 第57-58页 |
| 5.3.2 算法的实现过程 | 第58-60页 |
| 5.4 实验与分析 | 第60-63页 |
| 5.4.1 实验方案 | 第60页 |
| 5.4.2 实验结果与讨论 | 第60-63页 |
| 5.5 本章小结 | 第63-65页 |
| 6 总结和展望 | 第65-67页 |
| 6.1 本文的总结 | 第65-66页 |
| 6.2 未来的展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 攻读学位期间发表的相关学术论文及研究成果 | 第73页 |
