基于特征向量的个性化推荐算法研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 1 绪论 | 第9-16页 |
| ·研究的目的和意义 | 第9-10页 |
| ·研究现状 | 第10-14页 |
| ·电子商务发展趋势 | 第10-12页 |
| ·个性化服务应用现状 | 第12-14页 |
| ·主要研究内容 | 第14页 |
| ·论文结构 | 第14-16页 |
| 2 个性化推荐系统及相关技术概述 | 第16-27页 |
| ·个性化推荐系统的概念 | 第16页 |
| ·个性化推荐系统的目标 | 第16-17页 |
| ·个性化推荐系统的实现 | 第17-19页 |
| ·淘宝taobao.com | 第17-18页 |
| ·当当dangdang.com | 第18页 |
| ·亚马逊amazon.com | 第18页 |
| ·音乐推荐网站www.pandora.com | 第18-19页 |
| ·豆瓣douban.com | 第19页 |
| ·个性化推荐系统的架构 | 第19-20页 |
| ·个性化推荐系统的算法 | 第20-26页 |
| ·基于人口统计学的推荐算法 | 第21页 |
| ·基于用户的协同过滤算法 | 第21-23页 |
| ·基于产品的协同过滤算法 | 第23页 |
| ·基于模型的协同过滤算法 | 第23页 |
| ·基于内容的推荐算法 | 第23-24页 |
| ·基于网络结构的推荐算法 | 第24-25页 |
| ·组合推荐算法 | 第25-26页 |
| ·其它推荐算法 | 第26页 |
| ·小结 | 第26-27页 |
| 3 传统协同过滤算法 | 第27-35页 |
| ·协同过滤的定义 | 第27页 |
| ·协同过滤推荐的分类 | 第27-28页 |
| ·协同过滤推荐算法的步骤 | 第28-31页 |
| ·收集用户偏好 | 第28-29页 |
| ·计算相似度 | 第29-30页 |
| ·产生推荐 | 第30-31页 |
| ·协同过滤推荐算法存在的主要问题 | 第31-32页 |
| ·User-based 协同过滤推荐算法分析 | 第31-32页 |
| ·Item-based 协同过滤推荐算法分析 | 第32页 |
| ·协同过滤推荐算法的改进方法 | 第32-34页 |
| ·缺省评分填充 | 第32-33页 |
| ·聚类 | 第33-34页 |
| ·小结 | 第34-35页 |
| 4 基于特征向量的协同过滤推荐系统 | 第35-45页 |
| ·改进算法的提出 | 第35页 |
| ·相关概念和定义 | 第35-37页 |
| ·产品特征 | 第35-36页 |
| ·特征权值 | 第36-37页 |
| ·用户兴趣模型 | 第37-38页 |
| ·产品信息模型 | 第38-39页 |
| ·产品基本信息的表示 | 第38页 |
| ·产品品质信息的表示 | 第38-39页 |
| ·产品配置文件 | 第39页 |
| ·计算预测评分 | 第39-40页 |
| ·产生推荐 | 第40-41页 |
| ·算法的其它改进与优化 | 第41-42页 |
| ·系统模块功能设计 | 第42-44页 |
| ·产品信息模型管理模块 | 第42-43页 |
| ·用户偏好模型管理模块 | 第43页 |
| ·产品特征模型管理模块 | 第43页 |
| ·推荐模块 | 第43-44页 |
| ·展示模块 | 第44页 |
| ·小结 | 第44-45页 |
| 5 实验结果及分析 | 第45-52页 |
| ·实验设计 | 第45-46页 |
| ·实验数据集选取 | 第45页 |
| ·评测标准 | 第45-46页 |
| ·实验方案 | 第46页 |
| ·结果分析 | 第46-50页 |
| ·确定相似度计算方法 | 第46-47页 |
| ·特征向量相似度的效果分析 | 第47-48页 |
| ·组合推荐算法的效果分析 | 第48-49页 |
| ·训练所需时间对比 | 第49-50页 |
| ·实验结果总结 | 第50-51页 |
| ·小结 | 第51-52页 |
| 6 结论与展望 | 第52-53页 |
| ·全文工作总结 | 第52页 |
| ·进一步的工作 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 附录 | 第58页 |
| A. 作者在攻读学位期间发表的论文目录 | 第58页 |
