基于遗忘函数和用户的协同过滤推荐算法研究
| 摘要 | 第3-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 推荐算法研究现状和难点 | 第11-15页 |
| 1.2.1 国内外研究现状 | 第11-14页 |
| 1.2.2 兴趣转移推荐的研究现状 | 第14页 |
| 1.2.3 推荐算法存在的问题 | 第14-15页 |
| 1.3 本文的研究内容 | 第15-16页 |
| 1.4 本文的章节安排 | 第16-17页 |
| 2 推荐系统 | 第17-27页 |
| 2.1 推荐系统概述 | 第17-18页 |
| 2.2 推荐系统结构 | 第18页 |
| 2.3 推荐系统分类 | 第18-23页 |
| 2.3.1 基于内容的推荐 | 第18-20页 |
| 2.3.2 协同过滤推荐 | 第20-22页 |
| 2.3.2.1 基于用户的协同过滤 | 第20-22页 |
| 2.3.3 基于关联规则的推荐 | 第22-23页 |
| 2.3.4 混合推荐 | 第23页 |
| 2.4 推荐方法比较 | 第23-24页 |
| 2.5 推荐算法常用数据集 | 第24页 |
| 2.6 推荐系统评估指标 | 第24-26页 |
| 2.7 本章小结 | 第26-27页 |
| 3 基于遗忘函数和用户的协同过滤推荐算法 | 第27-36页 |
| 3.1 传统的相似度计算方法 | 第27-29页 |
| 3.1.1 基于Person相关系数的相似度 | 第27页 |
| 3.1.2 余弦相似度 | 第27-28页 |
| 3.1.3 修正的余弦相似度 | 第28页 |
| 3.1.4 相似度计算的局限 | 第28-29页 |
| 3.2 基于遗忘函数和用户的相似度算法 | 第29-35页 |
| 3.2.1 用户兴趣迁移 | 第29-30页 |
| 3.2.2 改进算法的设计 | 第30-31页 |
| 3.2.3 实验环境 | 第31-32页 |
| 3.2.4 遗忘函数的表达 | 第32-33页 |
| 3.2.5 用户相似度计算 | 第33-34页 |
| 3.2.6 预测评分 | 第34-35页 |
| 3.3 本章小结 | 第35-36页 |
| 4 实验设计和结果分析 | 第36-46页 |
| 4.1 MovieLens数据集上的实验 | 第36-41页 |
| 4.1.1 数据集介绍与分析 | 第36-37页 |
| 4.1.2 实验结果及比较 | 第37-39页 |
| 4.1.3 实验结果与分析 | 第39-41页 |
| 4.2 EachMovie数据集上的实验 | 第41-45页 |
| 4.2.1 数据集介绍及分析 | 第42-43页 |
| 4.2.2 实验设计及评测指标 | 第43页 |
| 4.2.3 实验结果与分析 | 第43-45页 |
| 4.3 本章小结 | 第45-46页 |
| 5 结论与展望 | 第46-48页 |
| 5.1 本文总结 | 第46页 |
| 5.2 工作展望 | 第46-48页 |
| 参考文献 | 第48-52页 |
| 致谢 | 第52-53页 |
| 攻读学位期间参加的研究工作和获得的学术成果 | 第53页 |
