基于信任度和偏好相似度的协同过滤算法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 国内研究现状 | 第13-15页 |
| 1.2.2 国外研究现状 | 第15页 |
| 1.3 论文研究内容 | 第15-16页 |
| 1.4 论文结构安排 | 第16-18页 |
| 第二章 个性化推荐系统和相关技术 | 第18-27页 |
| 2.1 推荐系统概述 | 第18-19页 |
| 2.2 推荐系统的分类 | 第19-20页 |
| 2.3 推荐组合方式 | 第20-21页 |
| 2.4 主要推荐技术介绍 | 第21-25页 |
| 2.4.1 基于用户行为数据推荐 | 第23页 |
| 2.4.2 基于内容数据推荐 | 第23页 |
| 2.4.3 基于社交网络数据推荐 | 第23-24页 |
| 2.4.4 基于语境感知数据推荐 | 第24页 |
| 2.4.5 基于人口统计学数据推荐 | 第24页 |
| 2.4.6 基于心理数据推荐 | 第24-25页 |
| 2.4.7 基于大数据推荐 | 第25页 |
| 2.5 个性化推荐系统面临的挑战 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 传统协同过滤技术及信任相关研究 | 第27-39页 |
| 3.1 协同过滤定义 | 第27页 |
| 3.2 协同过滤算法分类 | 第27-28页 |
| 3.2.1 基于内存协同过滤 | 第28页 |
| 3.2.2 基于模型协同过滤 | 第28页 |
| 3.3 术语和符号 | 第28-29页 |
| 3.4 传统最近邻协同过滤算法的过程 | 第29-30页 |
| 3.4.1 建立用户-项目评分矩阵 | 第29-30页 |
| 3.4.2 寻找邻居用户 | 第30页 |
| 3.4.3 生产推荐项目 | 第30页 |
| 3.5 协同过滤算法存在的问题 | 第30-33页 |
| 3.5.1 数据稀疏性 | 第31-32页 |
| 3.5.2 冷启动 | 第32页 |
| 3.5.3 可扩展性 | 第32页 |
| 3.5.4 灰羊 | 第32-33页 |
| 3.5.5 同义性 | 第33页 |
| 3.6 信任的概念及相关性质 | 第33-36页 |
| 3.6.1 信任的概念 | 第33-34页 |
| 3.6.2 信任的性质 | 第34-35页 |
| 3.6.3 信任的分类表示 | 第35-36页 |
| 3.7 主要信任模型 | 第36页 |
| 3.7.1 基于概率信任模型 | 第36页 |
| 3.7.2 基于模糊理论信任模型 | 第36页 |
| 3.7.3 基于灰色系统信任模型 | 第36页 |
| 3.7.4 基于云模型的信任模型 | 第36页 |
| 3.8 信任传播 | 第36-38页 |
| 3.9 本章小节 | 第38-39页 |
| 第四章 基于信任度和偏好相似度的协同过滤算法 | 第39-49页 |
| 4.1 新算法的基本思想 | 第39页 |
| 4.2 用户偏好度 | 第39-40页 |
| 4.3 用户间信任模型 | 第40-44页 |
| 4.3.1 直接信任度 | 第40-42页 |
| 4.3.2 间接信任度 | 第42页 |
| 4.3.3 个人可信度 | 第42-44页 |
| 4.4 用户偏好相似度 | 第44-45页 |
| 4.5 项目相似度 | 第45页 |
| 4.6 新算法产生邻居用户的过程 | 第45-46页 |
| 4.7 新算法的算法步骤 | 第46-47页 |
| 4.8 新算法实现推荐的整体流程 | 第47-48页 |
| 4.9 本章小节 | 第48-49页 |
| 第五章 实验设计与分析 | 第49-56页 |
| 5.1 实验数据集 | 第49-51页 |
| 5.2 评估标准 | 第51页 |
| 5.3 实验设计 | 第51-52页 |
| 5.3.1 实验环境 | 第51页 |
| 5.3.2 实验方案 | 第51-52页 |
| 5.4 实验结果与分析 | 第52-55页 |
| 5.5 本章小节 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 攻读学位期间的研究成果 | 第63-64页 |
