一种基于类别偏好协同过滤推荐算法的实现与优化
| 中文摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第一章 绪论 | 第9-12页 |
| ·研究背景及意义 | 第9-10页 |
| ·研究现状 | 第10页 |
| ·论文研究内容 | 第10-12页 |
| 第二章 推荐系统及其度量体系 | 第12-21页 |
| ·推荐系统的分类 | 第12-17页 |
| ·协同过滤推荐 | 第12页 |
| ·基于内容的推荐 | 第12-13页 |
| ·基于知识的推荐 | 第13-14页 |
| ·基于规则的推荐 | 第14页 |
| ·组合推荐 | 第14-16页 |
| ·基于上下文的推荐 | 第16页 |
| ·基于图的推荐 | 第16-17页 |
| ·推荐系统的评价体系 | 第17-20页 |
| ·预测准确度 | 第17-18页 |
| ·分类准确率 | 第18页 |
| ·推荐覆盖度 | 第18-19页 |
| ·用户满意度 | 第19页 |
| ·推荐多样性和新颖性 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 第三章 协同过滤推荐算法 | 第21-28页 |
| ·协同过滤算法工作流程 | 第21-22页 |
| ·基于内存的两种协同过滤推荐算法 | 第22-23页 |
| ·基于用户的协同过滤 | 第22页 |
| ·基于商品的协同过滤 | 第22-23页 |
| ·协同过滤算法特点分析 | 第23-25页 |
| ·协同过滤的优点 | 第23-24页 |
| ·协同过滤面临的挑战 | 第24-25页 |
| ·常用的相似度计算方法 | 第25-27页 |
| ·本章小结 | 第27-28页 |
| 第四章 基于类别偏好的混合推荐算法 | 第28-43页 |
| ·数据集分析 | 第28-34页 |
| ·用户的年龄构成 | 第29页 |
| ·数据的职业构成 | 第29-30页 |
| ·用户的评分分布 | 第30-31页 |
| ·用户的性别比例 | 第31页 |
| ·数据稀疏性问题 | 第31页 |
| ·评分数据中的噪音分析 | 第31-33页 |
| ·评分数据中的长尾问题 | 第33-34页 |
| ·基于类别偏好的混合推荐算法 | 第34-39页 |
| ·基本理论假设 | 第34-35页 |
| ·基于TF-IDF评分矩阵转换 | 第35-37页 |
| ·基于类别偏好的协同过滤算法 | 第37-38页 |
| ·基于类别偏好的混合推荐算法 | 第38-39页 |
| ·评价指标和实验结果分析 | 第39-42页 |
| ·本章小结 | 第42-43页 |
| 第五章 基于类别偏好的组合模型 | 第43-52页 |
| ·基于线性回归的组合方式 | 第43-46页 |
| ·平均权重组合模型 | 第44页 |
| ·动态权重组合模型 | 第44页 |
| ·变异粒子群权重组合模型 | 第44-46页 |
| ·基于BP神经网络的权重组合模型 | 第46-48页 |
| ·实验结果比较分析 | 第48-51页 |
| ·数据集划分 | 第48页 |
| ·度量措施 | 第48-49页 |
| ·实验结果及分析 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-53页 |
| ·总结 | 第52页 |
| ·展望 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 在学期间的研究成果 | 第56-57页 |
| 致谢 | 第57页 |
