基于协同过滤和属性关联规则混合推荐算法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 本课题研究的背景和意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 本文主要研究内容和结构安排 | 第15-17页 |
| 1.3.1 研究内容 | 第15-16页 |
| 1.3.2 章节安排 | 第16-17页 |
| 第2章 个性化推荐系统与算法概述 | 第17-32页 |
| 2.1 个性化推荐系统 | 第17-20页 |
| 2.1.1 个性化推荐系统概述 | 第17-18页 |
| 2.1.2 个性化推荐系统分类 | 第18-20页 |
| 2.2 基于协同过滤的推荐 | 第20-26页 |
| 2.2.1 协同过滤推荐的工作原理 | 第20页 |
| 2.2.2 协同过滤推荐分类 | 第20-21页 |
| 2.2.3 基于用户的协同过滤推荐 | 第21-24页 |
| 2.2.4 基于项目的协同过滤推荐 | 第24-26页 |
| 2.3 基于关联规则的推荐 | 第26-29页 |
| 2.3.1 关联规则概述 | 第26-28页 |
| 2.3.2 基于关联规则推荐工作原理 | 第28页 |
| 2.3.3 基于关联规则推荐基本流程 | 第28-29页 |
| 2.4 混合推荐 | 第29-30页 |
| 2.5 推荐测评指标 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第3章 基于用户相似度改进的协同过滤算法 | 第32-43页 |
| 3.1 传统用户相似度计算方法 | 第32-34页 |
| 3.1.1 余弦相似度和修正的余弦相似度 | 第32-33页 |
| 3.1.2 皮尔逊相似度 | 第33页 |
| 3.1.3 杰卡德相似度 | 第33-34页 |
| 3.2 传统用户相似度计算方法存在的问题 | 第34-35页 |
| 3.3 基于用户相似度改进的协同过滤算法 | 第35-37页 |
| 3.3.1 巴氏系数 | 第35-36页 |
| 3.3.2 改进的皮尔逊相似度 | 第36-37页 |
| 3.4 算法对比分析 | 第37-42页 |
| 3.4.1 实验数据 | 第37-38页 |
| 3.4.2 实验条件 | 第38页 |
| 3.4.3 数据预处理 | 第38-40页 |
| 3.4.4 实验设计与分析 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于项目属性关联规则推荐算法 | 第43-59页 |
| 4.1 Apriori算法 | 第43-45页 |
| 4.1.1 Apriori算法流程 | 第43-45页 |
| 4.1.2 Apriori算法性能分析 | 第45页 |
| 4.2 基于矩阵的Apriori算法 | 第45-47页 |
| 4.2.1 基于矩阵的Apriori算法流程 | 第46-47页 |
| 4.2.2 基于矩阵的Apriori算法性能分析 | 第47页 |
| 4.3 基于项目属性的关联规则推荐算法 | 第47-58页 |
| 4.3.1 项目属性关联规则推荐算法的提出原因 | 第47-49页 |
| 4.3.2 项目属性关联规则挖掘流程 | 第49-50页 |
| 4.3.3 项目属性关联预测评分 | 第50-51页 |
| 4.3.4 项目属性关联规则推荐实例 | 第51-55页 |
| 4.3.5 实验设计与分析 | 第55-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第5章 基于协同过滤和属性关联规则混合推荐算法 | 第59-66页 |
| 5.1 冷启动问题 | 第59-60页 |
| 5.1.1 协同过滤算法的新用户问题 | 第59-60页 |
| 5.1.2 关联规则推荐算法的新项目问题 | 第60页 |
| 5.2 基于协同过滤和属性关联规则混合推荐算法 | 第60-62页 |
| 5.2.1 用户和项目信息混合推荐 | 第60-61页 |
| 5.2.2 混合推荐算法模型 | 第61-62页 |
| 5.3 实验设计与分析 | 第62-64页 |
| 5.3.1 实验数据与实验环境 | 第62页 |
| 5.3.2 实验设计与分析 | 第62-64页 |
| 5.4 本章小结 | 第64-66页 |
| 总结与展望 | 第66-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-73页 |
