| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 推荐系统研究现状 | 第13页 |
| 1.2.2 协同过滤算法研究现状 | 第13-16页 |
| 1.2.3 Word2Vec模型研究现状 | 第16-17页 |
| 1.3 研究内容及主要工作 | 第17-18页 |
| 1.4 论文结构安排 | 第18-20页 |
| 第二章 相关技术及理论 | 第20-33页 |
| 2.1 推荐算法的分类 | 第20-24页 |
| 2.1.1 概述 | 第20-21页 |
| 2.1.2 推荐算法 | 第21-24页 |
| 2.2 协同过滤推荐算法 | 第24-30页 |
| 2.2.1 用户评分矩阵 | 第24-26页 |
| 2.2.2 基于邻域的协同过滤 | 第26-28页 |
| 2.2.3 基于模型的协同过滤 | 第28-30页 |
| 2.3 社会化标签 | 第30-32页 |
| 2.3.1 标签概述 | 第30-31页 |
| 2.3.2 标签特点及应用 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 基于万有引力的相似度算法 | 第33-39页 |
| 3.1 引言 | 第33页 |
| 3.2 传统相似度算法 | 第33-35页 |
| 3.2.1 余弦相似度 | 第33-34页 |
| 3.2.2 修正的余弦相似度 | 第34页 |
| 3.2.3 皮尔森相关系数 | 第34-35页 |
| 3.2.4 传统相似度存在的问题 | 第35页 |
| 3.3 基于引力的相似度算法 | 第35-38页 |
| 3.3.1 算法相关定义 | 第36页 |
| 3.3.2 万有引力定律 | 第36-37页 |
| 3.3.3 算法流程 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于时间和万有引力的项目属性偏好协同过滤 | 第39-49页 |
| 4.1 引言 | 第39页 |
| 4.2 算法思路 | 第39-40页 |
| 4.3 用户-项目属性偏好矩阵构建 | 第40-42页 |
| 4.4 时间衰减策略 | 第42-45页 |
| 4.4.1 遗忘规律 | 第42-43页 |
| 4.4.2 基于时间轴的时间衰减函数 | 第43-45页 |
| 4.5 基于时间的用户项目属性偏好建模 | 第45-47页 |
| 4.6 基于引力的用户相似度和评分预测 | 第47-48页 |
| 4.7 本章小结 | 第48-49页 |
| 第五章 基于Word2Vec和社会化标签的协同过滤 | 第49-59页 |
| 5.1 引言 | 第49页 |
| 5.2 算法思路 | 第49-50页 |
| 5.3 生成标签词向量 | 第50-53页 |
| 5.3.1 词的向量化 | 第50-52页 |
| 5.3.2 标签预处理 | 第52页 |
| 5.3.3 标签词向量 | 第52-53页 |
| 5.4 构建用户-标签类别频次矩阵 | 第53-55页 |
| 5.4.1 标签词向量聚类 | 第53-55页 |
| 5.4.2 用户-标签类别频次矩阵 | 第55页 |
| 5.5 用户相似度和评分预测 | 第55-56页 |
| 5.6 TGPIA和WVST的混合协同过滤 | 第56-57页 |
| 5.7 时间复杂度分析 | 第57-58页 |
| 5.8 本章小结 | 第58-59页 |
| 第六章 实验与结果分析 | 第59-73页 |
| 6.1 数据集与实验环境 | 第59-61页 |
| 6.1.1 MovieLens数据集 | 第59-61页 |
| 6.1.2 实验环境 | 第61页 |
| 6.2 实验评价指标 | 第61页 |
| 6.3 实验方案与结果分析 | 第61-71页 |
| 6.3.1 TGPIA算法分析 | 第62-65页 |
| 6.3.2 WVST算法分析 | 第65-68页 |
| 6.3.3 PIAST算法分析 | 第68-71页 |
| 6.4 本章小结 | 第71-73页 |
| 总结与展望 | 第73-75页 |
| 参考文献 | 第75-81页 |
| 攻读硕士学位期间取得的研究成果 | 第81-82页 |
| 致谢 | 第82-83页 |
| 附件 | 第83页 |