面向稀疏数据的个性化推荐技术研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 研究现状 | 第9-13页 |
| 1.3 主要工作 | 第13-14页 |
| 1.4 论文结构 | 第14-15页 |
| 第2章 相关理论和技术 | 第15-30页 |
| 2.1 个性化推荐技术概述 | 第15-18页 |
| 2.2 协同过滤算法 | 第18-27页 |
| 2.2.1 协同过滤算法概述 | 第18页 |
| 2.2.2 协同过滤算法分类 | 第18页 |
| 2.2.3 基于内存的协同过滤算法 | 第18-26页 |
| 2.2.4 基于模型的协同过滤算法 | 第26-27页 |
| 2.4 数据集与评价标准 | 第27-29页 |
| 2.4.1 数据集 | 第27页 |
| 2.4.2 评价标准 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于聚类和信任度的个性化推荐算法 | 第30-41页 |
| 3.1 算法框架 | 第30-32页 |
| 3.2 用户聚类 | 第32页 |
| 3.3 用户信任度量 | 第32-33页 |
| 3.4 查找最近邻 | 第33-34页 |
| 3.5 生成推荐结果 | 第34-35页 |
| 3.6 算法流程 | 第35页 |
| 3.7 实验 | 第35-40页 |
| 3.7.1 实验环境 | 第35页 |
| 3.7.2 实验数据 | 第35-36页 |
| 3.7.3 评价标准 | 第36-37页 |
| 3.7.4 实验结果 | 第37-40页 |
| 3.8 本章小结 | 第40-41页 |
| 第4章 基于稀疏子空间聚类的个性化推荐算法 | 第41-52页 |
| 4.1 算法框架 | 第41-43页 |
| 4.2 用户聚类 | 第43-44页 |
| 4.3 计算用户相似性 | 第44页 |
| 4.4 查找最近邻 | 第44-45页 |
| 4.5 生成推荐结果 | 第45页 |
| 4.6 算法流程 | 第45页 |
| 4.7 实验 | 第45-51页 |
| 4.7.1 实验数据 | 第45-46页 |
| 4.7.2 实验结果 | 第46-51页 |
| 4.8 本章小结 | 第51-52页 |
| 第5章 总结与展望 | 第52-54页 |
| 5.1 工作总结 | 第52-53页 |
| 5.2 展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
| 攻读硕士学位期间公开发表的论文 | 第59页 |
