推荐系统中协同过滤算法研究
中文摘要 | 第3-4页 |
英文摘要 | 第4页 |
1 绪论 | 第7-13页 |
1.1 课题背景 | 第7-9页 |
1.1.1 研究背景 | 第7-9页 |
1.1.2 研究意义 | 第9页 |
1.2 研究现状分析 | 第9-11页 |
1.2.1 国际研究现状 | 第9-10页 |
1.2.2 国内研究现状 | 第10-11页 |
1.3 本文研究内容 | 第11-12页 |
1.3.1 本文主要工作 | 第11-12页 |
1.3.2 本文章节安排 | 第12页 |
1.4 本章小结 | 第12-13页 |
2 推荐技术介绍 | 第13-36页 |
2.1 推荐系统概述 | 第13-20页 |
2.1.1 信息过载 | 第13-14页 |
2.1.2 信息检索和信息过滤 | 第14-16页 |
2.1.3 推荐系统 | 第16-20页 |
2.2 协同过滤推荐算法关键技术 | 第20-31页 |
2.2.1 数据表示 | 第20-22页 |
2.2.2 基于内存的协同过滤算法 | 第22-29页 |
2.2.3 基于模型的协同过滤算法 | 第29-31页 |
2.3 协同过滤算法面临的挑战 | 第31-32页 |
2.4 评价标准 | 第32-34页 |
2.5 实验数据集 | 第34-35页 |
2.6 本章小结 | 第35-36页 |
3 基于评分差值相似度的协同过滤算法 | 第36-51页 |
3.1 引言 | 第36页 |
3.2 现有的相似度评价标准 | 第36-40页 |
3.2.1 标准的余弦相似度 | 第38页 |
3.2.2 Pearson相似度 | 第38-39页 |
3.2.3 修正的余弦相似度 | 第39页 |
3.2.4 Jaccard相似度 | 第39-40页 |
3.3 基于用户评分差值相似度的算法 | 第40-45页 |
3.3.1 用户间评分项目的分类 | 第40-42页 |
3.3.2 评分不同项对相似度的贡献度 | 第42-43页 |
3.3.3 评分相同项对相似度的贡献度 | 第43-44页 |
3.3.4 评分差值相似度 | 第44-45页 |
3.3.5 产生推荐 | 第45页 |
3.4 算法描述 | 第45-48页 |
3.5 实验结果与分析 | 第48-50页 |
3.6 本章小结 | 第50-51页 |
4 一种改进稀疏性的协同过滤算法 | 第51-64页 |
4.1 稀疏性问题 | 第51-52页 |
4.2 现有解决方案 | 第52-54页 |
4.3 改进的协同过滤算法 | 第54-60页 |
4.3.1 改进策略思想 | 第54-56页 |
4.3.2 改进算法的步骤 | 第56-58页 |
4.3.3 算法描述 | 第58-60页 |
4.4 实验结果与分析 | 第60-63页 |
4.5 本章小结 | 第63-64页 |
5 总结与展望 | 第64-66页 |
5.1 全文总结 | 第64页 |
5.2 展望 | 第64-66页 |
致谢 | 第66-67页 |
参考文献 | 第67-70页 |
附录 | 第70页 |
A. 作者在攻读硕士学位期间发表的论文目录 | 第70页 |
B. 作者在攻读硕士学位期间参与的科研项目 | 第70页 |