面向用户行为数据建模的推荐算法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 面向用户行为数据建模的推荐算法研究背景 | 第10-12页 |
| 1.2 面向用户行为数据建模的推荐算法研究现状 | 第12-15页 |
| 1.3 本文的要点 | 第15-16页 |
| 1.4 本文的组织结构 | 第16-17页 |
| 1.5 本文用到的符号 | 第17-19页 |
| 第2章 推荐算法介绍 | 第19-25页 |
| 2.1 面向用户显式反馈数据建模的推荐算法 | 第19-21页 |
| 2.2 面向用户隐式反馈数据建模的推荐算法 | 第21-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第3章 基于邻域的偏好上下文学习推荐算法 | 第25-43页 |
| 3.1 问题分析 | 第25-26页 |
| 3.2 基于邻域的无偏好上下文学习模型 | 第26-30页 |
| 3.3 基于邻域的单类别偏好上下文学习模型 | 第30-33页 |
| 3.4 基于邻域的多类别偏好上下文学习模型 | 第33-37页 |
| 3.5 实验 | 第37-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 基于邻域的矩阵分解推荐算法 | 第43-58页 |
| 4.1 问题分析 | 第43-44页 |
| 4.2 基于矩阵分解的协同过滤推荐 | 第44-47页 |
| 4.3 基于用户近邻增强的矩阵分解模型 | 第47-49页 |
| 4.4 基于物品近邻增强的矩阵分解模型 | 第49-52页 |
| 4.5 实验 | 第52-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第5章 口碑商家客流量预测 | 第58-68页 |
| 5.1 问题分析 | 第58页 |
| 5.2 数据分析 | 第58-60页 |
| 5.3 特征工程 | 第60-63页 |
| 5.4 实验 | 第63-66页 |
| 5.5 本章小结 | 第66-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 总结 | 第68页 |
| 6.2 展望 | 第68-70页 |
| 参考文献 | 第70-77页 |
| 致谢 | 第77-78页 |
| 攻读硕士学位期间的研究成果 | 第78页 |
