基于引文信息的协同过滤算法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景 | 第11-13页 |
| 1.2 研究意义 | 第13页 |
| 1.3 国内外研究现状 | 第13-14页 |
| 1.4 论文研究内容 | 第14-16页 |
| 第2章 相关理论基础 | 第16-32页 |
| 2.1 科学引文数据分析 | 第16-18页 |
| 2.1.1 基于局部信息的相似度指标 | 第16-17页 |
| 2.1.2 基于全局信息的相似度指标 | 第17-18页 |
| 2.2 推荐系统的算法类型 | 第18-22页 |
| 2.2.1 基于内容的推荐算法 | 第19-20页 |
| 2.2.2 协同过滤推荐算法 | 第20-21页 |
| 2.2.3 混合推荐技术 | 第21-22页 |
| 2.3 协同过滤推荐算法 | 第22-26页 |
| 2.3.1 基于内存协同过滤 | 第22-25页 |
| 2.3.2 基于模型的协同过滤 | 第25-26页 |
| 2.4 推荐系统中机器学习相关理论 | 第26-29页 |
| 2.4.1 矩阵分解 | 第27-28页 |
| 2.4.2 线性回归 | 第28-29页 |
| 2.5 推荐系统中数据挖掘相关理论 | 第29-32页 |
| 2.5.1 模糊聚类概述 | 第29-30页 |
| 2.5.2 模糊理论 | 第30页 |
| 2.5.3 模糊聚类的过程 | 第30-32页 |
| 第3章 基于 RMBCI 的协同过滤改进算法 | 第32-41页 |
| 3.1 基于模糊概念的聚类计算方法 | 第32-36页 |
| 3.1.1 算法基本思想 | 第32-33页 |
| 3.1.2 模糊聚类方法 | 第33-34页 |
| 3.1.3 模糊聚类算法 | 第34-35页 |
| 3.1.4 生成用户的信任评分 | 第35-36页 |
| 3.2 改进的协同过滤推荐算法 | 第36-39页 |
| 3.2.1 算法基本思想 | 第36-37页 |
| 3.2.2 用户特征的选取 | 第37-38页 |
| 3.2.3 计算用户偏好评分 | 第38-39页 |
| 3.3 用户信任评分和用户偏好评分的融合 | 第39-41页 |
| 第4章 实验与分析 | 第41-46页 |
| 4.1 实验数据集 | 第41-42页 |
| 4.2 实验的评价指标 | 第42-43页 |
| 4.3 实验方案 | 第43-44页 |
| 4.4 实验结果及分析 | 第44-46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 今后的工作 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 作者简介及在学期间所取得的科研成果 | 第51-52页 |
| 致谢 | 第52页 |
