面向稀疏矩阵偏置的协同过滤推荐算法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 推荐系统面临问题 | 第12-13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第二章 个性化推荐技术及相关理论 | 第15-23页 |
| 2.1 推荐系统 | 第15-16页 |
| 2.2 推荐系统算法 | 第16-19页 |
| 2.2.1 协同过滤推荐 | 第16-18页 |
| 2.2.2 基于内容的推荐 | 第18页 |
| 2.2.3 社会化过滤推荐 | 第18-19页 |
| 2.3 推荐系统评测 | 第19-22页 |
| 2.3.1 推荐系统实验方法 | 第19-20页 |
| 2.3.2 评测指标 | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于奇异值分解的协同过滤改进算法 | 第23-36页 |
| 3.1 稀疏矩阵对推荐效果的影响 | 第23-24页 |
| 3.2 构造用户行为偏好矩阵 | 第24页 |
| 3.3 相似度计算分类 | 第24-26页 |
| 3.3.1 余弦相似度 | 第24-26页 |
| 3.3.2 皮尔森相关系数 | 第26页 |
| 3.4 基于奇异值分解的协同过滤改进算法 | 第26-35页 |
| 3.4.1 评分矩阵奇异值分解 | 第26-28页 |
| 3.4.2 基于奇异值分解产生推荐 | 第28-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 基于惩罚度函数的协同过滤改进算法 | 第36-45页 |
| 4.1 流行度对用户行为的影响 | 第36-37页 |
| 4.2 流行偏置现象 | 第37-39页 |
| 4.3 基于惩罚函数的协同过滤改进算法 | 第39-44页 |
| 4.3.1 基于流行度构建惩罚度函数 | 第39-42页 |
| 4.3.2 基于共现信息调整惩罚度函数 | 第42-43页 |
| 4.3.3 基于用户兴趣信息调整惩罚度 | 第43-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 实验结果分析 | 第45-52页 |
| 5.1 实验数据集的收集 | 第45页 |
| 5.2 实验测试过程 | 第45-46页 |
| 5.3 实验结果与分析 | 第46-50页 |
| 5.3.1 推荐准确率和覆盖率的实验分析 | 第47-48页 |
| 5.3.2 推荐物品流行度分布实验分析 | 第48-50页 |
| 5.4 实验结论 | 第50-51页 |
| 5.5 本章小结 | 第51-52页 |
| 总结与展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 攻读学位期间取得的研究成果 | 第58-59页 |
| 致谢 | 第59页 |
