| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 课题研究背景 | 第9-10页 |
| 1.2 研究目的和意义 | 第10-11页 |
| 1.2.1 研究目的 | 第10页 |
| 1.2.2 研究意义 | 第10-11页 |
| 1.3 国内外的研究现状 | 第11-13页 |
| 1.3.1 国外研究现状 | 第11-12页 |
| 1.3.2 国内研究现状 | 第12-13页 |
| 1.4 研究内容与论文框架 | 第13-14页 |
| 1.4.1 研究内容 | 第13页 |
| 1.4.2 论文框架 | 第13-14页 |
| 1.5 创新之处 | 第14页 |
| 1.6 本章小结 | 第14-15页 |
| 2 推荐系统基础 | 第15-25页 |
| 2.1 推荐系统的组成及常用算法 | 第15-16页 |
| 2.1.1 推荐系统的组成 | 第15页 |
| 2.1.2 推荐系统的常用算法 | 第15-16页 |
| 2.2 推荐系统一些主要算法的发展 | 第16-23页 |
| 2.2.1 基于内容的推荐 | 第16-17页 |
| 2.2.2 基于协同过滤的推荐算法 | 第17-20页 |
| 2.2.3 隐语义模型 | 第20-23页 |
| 2.3 小结 | 第23-25页 |
| 3 推荐系统中预测算法的改进 | 第25-37页 |
| 3.1 用户评分数据集及测试方法 | 第25-26页 |
| 3.1.1 用户评分数据集 | 第25页 |
| 3.1.2 离线实验方法 | 第25-26页 |
| 3.2 评分预测算法 | 第26-33页 |
| 3.2.1 加权求和方法 | 第26-27页 |
| 3.2.2 回归方法 | 第27页 |
| 3.2.3 隐语义模型与矩阵分解模型 | 第27-32页 |
| 3.2.4 协同过滤中基于用户评分偏差的改进 | 第32-33页 |
| 3.3 提出对预测算法的改进算法 | 第33-36页 |
| 3.3.1 仍然存在的问题 | 第33-34页 |
| 3.3.2 在预测算法中引入非评分因素 | 第34页 |
| 3.3.3 推荐系统的新算法 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 4 推荐系统中新算法的实现 | 第37-47页 |
| 4.1 实现部分的概述 | 第37页 |
| 4.2 数据清理模块 | 第37页 |
| 4.3 列表生成模块 | 第37-38页 |
| 4.4 反馈模块 | 第38-39页 |
| 4.5 推荐计算模块 | 第39-40页 |
| 4.5.1 推荐计算部分的算法思路 | 第39页 |
| 4.5.2 推荐计算部分算法流程图 | 第39-40页 |
| 4.6 利用 SVR 具体求得非评分因素偏差值 | 第40-43页 |
| 4.6.1 SVR | 第40-42页 |
| 4.6.2 SVR 在非评分因素中的引入 | 第42-43页 |
| 4.7 K-Means 聚类算法引入 SVR | 第43-46页 |
| 4.7.1 K-Means 聚类算法 | 第43-45页 |
| 4.7.2 在 SVR 中引入聚类 K-Means | 第45-46页 |
| 4.8 算法总结 | 第46页 |
| 4.9 本章小结 | 第46-47页 |
| 5 应用实例——电影网站的评分预测及实验分析 | 第47-57页 |
| 5.1 电影网站中的评分预测问题 | 第47-48页 |
| 5.1.1 电影网站中的推荐系统 | 第47-48页 |
| 5.1.2 新算法在电影网站中的应用实例 | 第48页 |
| 5.2 实验基础 | 第48-49页 |
| 5.2.1 实验数据集 | 第48-49页 |
| 5.2.2 实验测评标准 | 第49页 |
| 5.2.3 实验平台 | 第49页 |
| 5.2.4 实验流程 | 第49页 |
| 5.3 实验数据比较 | 第49-54页 |
| 5.3.1 三种相似性度量方法的比较 | 第49-51页 |
| 5.3.2 经典推荐算法与加入非评分因素后的 RMSE 对比 | 第51-54页 |
| 5.4 实验结果分析 | 第54-55页 |
| 5.5 本章小结 | 第55-57页 |
| 6 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 参考文献 | 第59-61页 |
| 致谢 | 第61-62页 |
| 攻读学位期间的科研成果 | 第62-63页 |