基于偏好—特征的混合推荐算法
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9页 |
| 1.2 推荐系统及协同过滤的介绍 | 第9-12页 |
| 1.2.1 推荐系统 | 第9-11页 |
| 1.2.2 协同过滤 | 第11-12页 |
| 1.3 研究现状及难点 | 第12-15页 |
| 1.4 本文研究内容及章节安排 | 第15-17页 |
| 第2章 协同过滤算法简介 | 第17-26页 |
| 2.1 基于模型的协同过滤算法 | 第17-21页 |
| 2.1.1 基于聚类的协同过滤算法 | 第18-19页 |
| 2.1.2 基于线性回归的协同过滤算法 | 第19页 |
| 2.1.3 基于 MDP 的协同过滤算法 | 第19-20页 |
| 2.1.4 潜在语义协同过滤模型 | 第20-21页 |
| 2.2 基于内存的协同过滤算法 | 第21-24页 |
| 2.2.1 基于用户的协同过滤算法 | 第21-22页 |
| 2.2.2 基于项目的协同过滤算法 | 第22-24页 |
| 2.3 算法选择 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 用户偏好-特征的混合协同过滤算法 | 第26-37页 |
| 3.1 用户的偏好获取与建模 | 第26-31页 |
| 3.1.1 用户偏好及项目元素的特点 | 第26-27页 |
| 3.1.2 用户偏好及项目元素权重分类和表示 | 第27-28页 |
| 3.1.3 用户偏好模型的建立 | 第28-30页 |
| 3.1.4 项目特征模型的建立 | 第30-31页 |
| 3.2 相似度计算方法 | 第31-34页 |
| 3.2.1 基于关联性的相似度 | 第31-32页 |
| 3.2.2 基于向量余弦值的相似度 | 第32-33页 |
| 3.2.3 修正的余弦相似性 | 第33-34页 |
| 3.3 预测与推荐运算 | 第34-36页 |
| 3.4 TOP-N 推荐 | 第36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 实验验证与实验分析 | 第37-46页 |
| 4.1 实验数据集介绍 | 第37-39页 |
| 4.2 评测指标 | 第39-41页 |
| 4.2.1 平均绝对误差和归一化平均绝对误差 | 第39-40页 |
| 4.2.2 均方根误差 | 第40页 |
| 4.2.3 ROC 敏感度 | 第40-41页 |
| 4.3 实验过程 | 第41-44页 |
| 4.4 试验分析 | 第44-45页 |
| 4.5 小章小结 | 第45-46页 |
| 第5章 总结与展望 | 第46-48页 |
| 5.1 本文工作总结 | 第46-47页 |
| 5.2 展望 | 第47-48页 |
| 参考文献 | 第48-53页 |
| 致谢 | 第53页 |
