基于个性化预测的推送算法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 引言 | 第11-17页 |
| 1.1 新的信息获取方式：信息推送技术 | 第11页 |
| 1.2 信息推送技术与农业信息服务 | 第11-12页 |
| 1.3 个性化推送技术的关键问题 | 第12-15页 |
| 1.3.1 产生近邻集合 | 第12-13页 |
| 1.3.2 训练样本选择 | 第13页 |
| 1.3.3 构建预测模型 | 第13-15页 |
| 1.4 本文结构安排 | 第15-17页 |
| 第二章 推送技术研究简介 | 第17-22页 |
| 2.1 推送技术的概念与特点 | 第17-19页 |
| 2.1.1 推送技术的概念 | 第17页 |
| 2.1.2 推送技术的特点 | 第17-19页 |
| 2.2 信息推送的类型 | 第19页 |
| 2.3 推送技术的实现方式 | 第19-22页 |
| 2.3.1 基于WEB服务器扩展CGI的方式 | 第19页 |
| 2.3.2 基于客户代理的方式 | 第19页 |
| 2.3.3 基于PUSH服务器的方式 | 第19-20页 |
| 2.3.4 基于频道的推送方式 | 第20-21页 |
| 2.3.5 基于邮件的推送方式 | 第21-22页 |
| 第三章 基于最大互信息(MIC)的近邻集合选择 | 第22-34页 |
| 3.1 引言 | 第22页 |
| 3.2 最大互信息(MIC) | 第22-26页 |
| 3.2.1 关联分析 | 第22-23页 |
| 3.2.2 MIC概念与优点 | 第23-25页 |
| 3.2.3 MIC计算过程 | 第25-26页 |
| 3.3 基于MIC的推送模型邻居选择 | 第26页 |
| 3.3.1 MIC计算 | 第26页 |
| 3.3.2 产生近邻集合 | 第26页 |
| 3.4 项目评分模型构建 | 第26-27页 |
| 3.4.1 L工BSVM | 第26页 |
| 3.4.2 模型评价 | 第26-27页 |
| 3.4.3 参比模型 | 第27页 |
| 3.5 实验结果与分析 | 第27-32页 |
| 3.5.1 数据集 | 第27-30页 |
| 3.5.2 基于不同相似性测度的模型预测性能 | 第30-31页 |
| 3.5.3 不同建模方法比较 | 第31-32页 |
| 3.5.4 MIC阈值选择影响 | 第32页 |
| 3.6 讨论 | 第32-34页 |
| 第四章 基于地统计学的个性化预测模型 | 第34-40页 |
| 4.1 引言 | 第34页 |
| 4.2 地统计学理论 | 第34-35页 |
| 4.3 基于GS的私用训练集选择 | 第35-36页 |
| 4.4 构建项目评分预测模型 | 第36-37页 |
| 4.4.1 LIBSVM | 第36页 |
| 4.4.2 模型评价 | 第36页 |
| 4.4.3 参比模型 | 第36-37页 |
| 4.5 实验结果与分析 | 第37-39页 |
| 4.5.1 数据集 | 第37页 |
| 4.5.2 私有训练集预测结果 | 第37-38页 |
| 4.5.3 公用训练样本对预测精度的影响 | 第38-39页 |
| 4.6 讨论 | 第39-40页 |
| 第五章 总结与展望 | 第40-42页 |
| 5.1 基于MIC测度的近邻选择 | 第40页 |
| 5.2 基于GS的个体化预测模型 | 第40页 |
| 5.3 展望 | 第40-42页 |
| 参考文献 | 第42-46页 |
| 致谢 | 第46-47页 |
| 作者简历 | 第47页 |
