基于隐马尔可夫模型的推荐算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第12-18页 |
| 1.1 课题背景及意义 | 第12-14页 |
| 1.2 课题研究与现状 | 第14-17页 |
| 1.2.1 课题的发展现状和趋势 | 第14-15页 |
| 1.2.2 课题研究内容 | 第15-16页 |
| 1.2.3 课题的创新点 | 第16-17页 |
| 1.3 论文组织结构 | 第17-18页 |
| 2 个性化推荐系统与相关技术 | 第18-34页 |
| 2.1 个性化推荐系统 | 第18-19页 |
| 2.2 常见个性化推荐方法 | 第19-25页 |
| 2.2.1 基于协同过滤的推荐算法 | 第19-22页 |
| 2.2.2 基于关联规则的推荐算法 | 第22-25页 |
| 2.3 隐马尔可夫模型概念与技术 | 第25-32页 |
| 2.3.1 隐马尔可夫模型定义 | 第25-26页 |
| 2.3.2 观测序列的生成过程 | 第26-27页 |
| 2.3.3 隐马尔可夫模型的基本问题 | 第27页 |
| 2.3.4 概率计算算法 | 第27-29页 |
| 2.3.5 学习算法 | 第29-30页 |
| 2.3.6 预测算法 | 第30-32页 |
| 2.4 个性化推荐系统评估方法及指标 | 第32-33页 |
| 2.4.1 准确率与召回率 | 第32-33页 |
| 2.4.2 综合评价指标 | 第33页 |
| 2.5 本章小结 | 第33-34页 |
| 3 基于隐马尔可夫模型的推荐算法 | 第34-48页 |
| 3.1 算法基本思想 | 第34页 |
| 3.2 用户评分聚合行为画像挖掘 | 第34-39页 |
| 3.2.1 用户评分聚合行为画像定义 | 第34-36页 |
| 3.2.2 用户评分聚合行为画像抽取 | 第36-39页 |
| 3.3 观测概率矩阵的高斯混合模型训练方法 | 第39-41页 |
| 3.3.1 高斯混合模型 | 第39页 |
| 3.3.2 高斯混合模型EM训练方法 | 第39-41页 |
| 3.4 基于混合高斯的隐马尔可夫模型建立 | 第41-46页 |
| 3.4.1 隐马尔可夫模型建模 | 第42-44页 |
| 3.4.2 隐马尔可夫模型训练 | 第44-46页 |
| 3.5 基于隐马尔可夫模型的推荐算法预测 | 第46-47页 |
| 3.6 本章小结 | 第47-48页 |
| 4 实验及算法评估 | 第48-53页 |
| 4.1 数据集及实验平台 | 第48-49页 |
| 4.2 实验设计及结果分析 | 第49-52页 |
| 4.2.1 对照实验设计 | 第49页 |
| 4.2.2 算法准确性评估 | 第49-51页 |
| 4.2.3 算法运行时间评估 | 第51-52页 |
| 4.3 本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读学位期间发表的学术论文 | 第58-59页 |
| 致谢 | 第59页 |
