基于跨域的信息推荐技术研究及应用
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13页 |
| 1.3 论文研究工作及创新点 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-15页 |
| 第二章 推荐系统相关技术 | 第15-21页 |
| 2.1 推荐系统的定义 | 第15页 |
| 2.2 推荐系统的系统构成 | 第15页 |
| 2.3 推荐系统的相关算法 | 第15-16页 |
| 2.4 推荐系统所面临的问题 | 第16-17页 |
| 2.4.1 数据稀疏性问题 | 第16页 |
| 2.4.2 冷启动问题 | 第16-17页 |
| 2.4.3 数据规模问题 | 第17页 |
| 2.4.4 精准性问题 | 第17页 |
| 2.5 跨域推荐系统 | 第17-18页 |
| 2.6 分布式计算系统 | 第18页 |
| 2.7 推荐系统的评价标准 | 第18-20页 |
| 2.8 本章小结 | 第20-21页 |
| 第三章 推荐系统算法研究 | 第21-32页 |
| 3.1 基于关联规则的推荐算法 | 第21-22页 |
| 3.2 基于内容的推荐算法 | 第22-23页 |
| 3.3 协同过滤推荐算法 | 第23-29页 |
| 3.3.1 协同过滤算法中的相似度度量 | 第23-24页 |
| 3.3.2 基于用户的协同过滤算法 | 第24-25页 |
| 3.3.3 基于物品的协同过滤算法 | 第25页 |
| 3.3.4 基于降维的协同过滤推荐算法 | 第25-29页 |
| 3.4 混合模型的推荐算法 | 第29-30页 |
| 3.5 各推荐算法比较 | 第30页 |
| 3.6 本章小结 | 第30-32页 |
| 第四章 基于跨域的推荐系统算法研究 | 第32-38页 |
| 4.1 社交网络简介 | 第32-34页 |
| 4.1.1 社交关系网络相关定义 | 第33页 |
| 4.1.2 基于社交关系的用户相似度计算 | 第33-34页 |
| 4.2 融合社交域的近邻推荐模型 | 第34-36页 |
| 4.2.1 社交网络相似度与评分相似度的融合 | 第34-36页 |
| 4.2.2 融合用户社交网络近邻模型的评分预测 | 第36页 |
| 4.3 融合社交域的矩阵分解推荐系统 | 第36-37页 |
| 4.4 小结 | 第37-38页 |
| 第五章 实验设计与结果分析 | 第38-47页 |
| 5.1 数据集 | 第38页 |
| 5.2 实验环境 | 第38-39页 |
| 5.3 评价标准 | 第39页 |
| 5.4 实验结果 | 第39-46页 |
| 5.4.1 基于用户的协同过滤推荐模型实验结果 | 第39-40页 |
| 5.4.2 传统矩阵分解实验结果 | 第40-41页 |
| 5.4.3 融合社交网络的近邻模型实验结果 | 第41-44页 |
| 5.4.4 融合社交域的矩阵分解实验结果 | 第44-45页 |
| 5.4.5 不同模型实验结果总结 | 第45-46页 |
| 5.5 本章小结 | 第46-47页 |
| 第六章 推荐算法的分布式实现 | 第47-53页 |
| 6.1 Hadoop平台简介 | 第47-48页 |
| 6.2 用户相似度分布式计算 | 第48-51页 |
| 6.3 用户相似度分布式计算实验 | 第51-52页 |
| 6.3.1 实验数据 | 第51页 |
| 6.3.2 实验环境 | 第51-52页 |
| 6.3.3 实验结果 | 第52页 |
| 6.4 本章小结 | 第52-53页 |
| 第七章 总结与展望 | 第53-55页 |
| 7.1 论文总结 | 第53页 |
| 7.2 工作展望 | 第53-55页 |
| 参考文献 | 第55-57页 |
| 致谢 | 第57-58页 |
| 攻读硕士学位期间发表的学术论文目录 | 第58页 |
