基于k-SVD的协同过滤推荐
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景和意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文的研究内容和结构 | 第10-13页 |
| 第二章 推荐系统的方法简介 | 第13-21页 |
| 2.1 数据简介及方法引入 | 第13-15页 |
| 2.1.1 推荐系统简述 | 第13页 |
| 2.1.2 数据简介 | 第13-14页 |
| 2.1.3 方法引入 | 第14-15页 |
| 2.2 推荐系统的评价指标 | 第15-16页 |
| 2.2.1 均方根误差和平均绝对误差 | 第15页 |
| 2.2.2 准确率和召回率 | 第15-16页 |
| 2.3 后验概率的算法 | 第16-17页 |
| 2.3.1 朴素贝叶斯 | 第16页 |
| 2.3.2 关联规则 | 第16-17页 |
| 2.4 协同过滤的算法 | 第17-21页 |
| 2.4.1 矩阵分解 | 第18-21页 |
| 第三章 基于K-SVD填充的协同过滤推荐 | 第21-37页 |
| 3.1 k-SVD算法简介 | 第21-22页 |
| 3.2 数据处理 | 第22-23页 |
| 3.2.1 变量筛选 | 第22-23页 |
| 3.2.2 文本数据处理 | 第23页 |
| 3.3 当前主要推荐算法的效果对比与存在问题 | 第23-33页 |
| 3.3.1 基于特征向量的推荐 | 第23-25页 |
| 3.3.2 基于后验概率的推荐 | 第25-28页 |
| 3.3.3 基于协同过滤的推荐 | 第28-33页 |
| 3.4 基于k-SVD分解的协同过滤推荐 | 第33-37页 |
| 3.4.1 k-SVD填充 | 第34-35页 |
| 3.4.2 基于k-SVD分解的协同过滤 | 第35页 |
| 3.4.3 推荐算法的比较 | 第35-37页 |
| 结论 | 第37-39页 |
| 参考文献 | 第39-43页 |
| 致谢 | 第43-44页 |
