论文目录 | |
摘要 | 第1-5页 |
ABSTRACT | 第5-8页 |
第1章 绪论 | 第8-14页 |
1.1 研究背景 | 第8-9页 |
1.2 国内外研究现状 | 第9-12页 |
1.3 研究意义 | 第12-13页 |
1.4 论文组织结构 | 第13-14页 |
第2章 个性化推荐相关技术 | 第14-24页 |
2.1 个性化推荐技术 | 第14-20页 |
2.1.1 协同过滤推荐算法 | 第14-17页 |
2.1.2 基于内容的推荐算法 | 第17-18页 |
2.1.3 基于关联规则的推荐算法 | 第18-19页 |
2.1.4 混合推荐算法 | 第19页 |
2.1.5 其他推荐算法 | 第19-20页 |
2.1.6 推荐技术对比 | 第20页 |
2.2 推荐算法评价 | 第20-21页 |
2.3 艾宾浩斯遗忘曲线 | 第21-23页 |
2.4 本章小结 | 第23-24页 |
第3章 基于用户与项目的双重聚类和相关相似性优化 | 第24-36页 |
3.1 针对数据稀疏性的聚类结果填充 | 第24-28页 |
3.1.1 基于用户的聚类结果填充 | 第24-25页 |
3.1.2 基于项目的聚类结果填充 | 第25-27页 |
3.1.3 基于用户与项目双重聚类结果填充 | 第27-28页 |
3.2 传统相似度度量方式 | 第28-30页 |
3.3 针对用户兴趣变化的相似度改进 | 第30-31页 |
3.4 针对冷启动的相似度改进 | 第31-34页 |
3.4.1 结合用户属性的相似度计量方式 | 第31-32页 |
3.4.2 结合项目属性的相似度计量方式 | 第32-34页 |
3.5 本章小结 | 第34-36页 |
第4章 基于用户与项目的双重聚类的协同过滤算法设计 | 第36-48页 |
4.1 问题分析 | 第36-37页 |
4.2 基于用户与项目的双重聚类协同过滤算法的设计与实现 | 第37-47页 |
4.2.1 数据获取 | 第38-39页 |
4.2.2 基于用户与项目双重聚类填充 | 第39-42页 |
4.2.3 改进相似度计算部分 | 第42-43页 |
4.2.4 最近邻集合获取部分 | 第43-46页 |
4.2.5 预测评分获取部分 | 第46-47页 |
4.2.6 产生推荐部分 | 第47页 |
4.3 本章小结 | 第47-48页 |
第5章 基于用户与项目的双重聚类的协同过滤算法实验 | 第48-64页 |
5.1 实验数据集及试验环境 | 第48-50页 |
5.2 实验评价标准 | 第50-51页 |
5.3 实验过程与结果分析 | 第51-62页 |
5.3.1 数据集拆分 | 第52页 |
5.3.2 基于用户与项目双重聚类的数据填充改进方案的有效性验证 | 第52-53页 |
5.3.3 融合艾宾浩斯遗忘曲线相似度改进方案的有效性验证 | 第53-55页 |
5.3.4 融合用户属性的相似度改进方案的有效性验证 | 第55-56页 |
5.3.5 融合项目属性的相似度改进方案的有效性验证 | 第56-58页 |
5.3.6 基于用户与项目双重聚类的协同过滤算法的有效性验证 | 第58-62页 |
5.4 本章小结 | 第62-64页 |
结论 | 第64-66页 |
参考文献 | 第66-70页 |
攻读硕士学位期间取得的研究成果 | 第70-72页 |
致谢 | 第72页 |