一种基于社交网络的协同过滤推荐算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 个性化推荐发展现状 | 第12-14页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14页 |
| 1.3 主要研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 第2章 协同过滤推荐技术 | 第16-31页 |
| 2.1 协同过滤推荐技术的主要分类 | 第16-23页 |
| 2.1.1 基于用户的协同过滤算法 | 第16-19页 |
| 2.1.2 基于项目的协同过滤算法 | 第19-20页 |
| 2.1.3 基于模型协同过滤算法 | 第20页 |
| 2.1.4 基于矩阵分解的协同过滤 | 第20-21页 |
| 2.1.5 SlopeOne推荐算法 | 第21页 |
| 2.1.6 混合推荐算法的提出 | 第21-23页 |
| 2.2 协同过滤推荐算法存在的问题 | 第23-24页 |
| 2.3 推荐算法性能评估 | 第24-25页 |
| 2.3.1 平均绝对误差(MAE) | 第24页 |
| 2.3.2 覆盖率 | 第24-25页 |
| 2.3.3 召回率(Recall) | 第25页 |
| 2.3.4 均方根误差(RMSE) | 第25页 |
| 2.4 相似度的计算 | 第25-28页 |
| 2.4.1 基于皮尔森相关性的相似度 | 第26页 |
| 2.4.2 基于欧几里德距离的相似度 | 第26-27页 |
| 2.4.3 余弦相似度 | 第27页 |
| 2.4.4 修正的余弦相似性 | 第27-28页 |
| 2.4.5 Jaccard相似系数 | 第28页 |
| 2.5 社交网络 | 第28-29页 |
| 2.5.1 社交网络定义 | 第28页 |
| 2.5.2 社交网络理论基础 | 第28-29页 |
| 2.6 本章小结 | 第29-31页 |
| 第3章 一种优化的基于用户协同过滤算法 | 第31-41页 |
| 3.1 基于用户协同过滤算法 | 第31-32页 |
| 3.1.1 相似性的计算 | 第31页 |
| 3.1.2 选取最近邻 | 第31-32页 |
| 3.1.3 产生推荐 | 第32页 |
| 3.2 用户共同评分数目和项目冷热门的分析 | 第32-35页 |
| 3.2.1 用户共同评分数问题的分析 | 第34页 |
| 3.2.2 项目冷热门问题的分析 | 第34-35页 |
| 3.3 调节因子的提出 | 第35-37页 |
| 3.3.1 用户共同评分数调节因子 | 第35-36页 |
| 3.3.2 项目冷热门调节因子 | 第36-37页 |
| 3.4 改进的协同过滤算法AD-UBCF | 第37-39页 |
| 3.4.1 改进相似度的计算 | 第37页 |
| 3.4.2 推荐的形成 | 第37页 |
| 3.4.3 AD-UBCF算法的描述和说明 | 第37-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第4章 一种基于社交网络的协同过滤推荐算法 | 第41-49页 |
| 4.1 问题分析 | 第41-42页 |
| 4.2 用户重要度的提出 | 第42-45页 |
| 4.2.1 PageRank算法介绍 | 第43页 |
| 4.2.2 用户重要度 | 第43-45页 |
| 4.3 基于社交网络协同过滤SC-UBCF算法 | 第45-48页 |
| 4.3.1 相似度的计算 | 第46页 |
| 4.3.2 最终推荐的生成 | 第46页 |
| 4.3.3 SC-UBCF算法的描述和说明 | 第46-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 实验设计与结果分析 | 第49-54页 |
| 5.1 实验数据和环境 | 第49页 |
| 5.1.1 实验数据集简介 | 第49页 |
| 5.1.2 实验数据集的划分 | 第49页 |
| 5.1.3 实验环境平台 | 第49页 |
| 5.2 实验评价标准 | 第49-51页 |
| 5.3 实验结果及分析 | 第51-53页 |
| 5.4 本章小结 | 第53-54页 |
| 总结与展望 | 第54-56页 |
| 总结 | 第54-55页 |
| 展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 附录A 攻读学位期间完成的主要成果 | 第59-60页 |
| 附录B 攻读硕士期间参与的项目列表 | 第60-61页 |
| 致谢 | 第61页 |
