论文目录 | |
摘要 | 第1-6页 |
ABSTRACT | 第6-11页 |
第一章 绪论 | 第11-19页 |
1.1 背景与意义 | 第11-12页 |
1.2 研究现状 | 第12-14页 |
1.3 当前研究的不足与本文的研究内容 | 第14-16页 |
1.4 组织结构 | 第16-18页 |
1.5 本章小结 | 第18-19页 |
第二章 移动推荐系统相关背景 | 第19-34页 |
2.1 移动应用推荐系统概述 | 第19-21页 |
2.2 移动推荐系统的主要算法 | 第21-26页 |
2.2.1 协同过滤推荐算法家族 | 第21-24页 |
2.2.2 基于内容的推荐算法 | 第24-25页 |
2.2.3 基于移动数据特点的相关推荐算法 | 第25-26页 |
2.3 推荐系统评价指标 | 第26-29页 |
2.3.1 准确性指标 | 第26-28页 |
2.3.2 多样性指标 | 第28页 |
2.3.3 新颖性指标 | 第28-29页 |
2.4 移动推荐系统中当前推荐算法的不足 | 第29-33页 |
2.4.1 当前推荐算法在采集受限的移动行为数据集上的不足 | 第29-33页 |
2.4.2 当前推荐算法在动态的移动用户行为数据集上的不足 | 第33页 |
2.5 本章小结 | 第33-34页 |
第三章 基于移动用户行为日志的隐性评分生成算法的研究 | 第34-50页 |
3.1 移动用户行为日志的混合高斯行为模型 | 第34-40页 |
3.1.1 LVM模型原理 | 第34-35页 |
3.1.2 GMM行为模型原理 | 第35页 |
3.1.3 GMM行为模型训练算法 | 第35-40页 |
3.2 移动用户行为日志的混合高斯评分模型 | 第40-44页 |
3.2.1 单一变量高斯分布的评分模型 | 第40-42页 |
3.2.2 多变量混合高斯分布评分模型 | 第42-44页 |
3.3 隐性评分生成算法的分布式实现与改进 | 第44-49页 |
3.4 本章小结 | 第49-50页 |
第四章 基于自组织网络坐标的行为迁移分析算法 | 第50-66页 |
4.1 行为迁移分析算法概述 | 第50-52页 |
4.2 自组织网络用户行为迁移分析算法原理与设计 | 第52-61页 |
4.2.1 自组织网络算法的行为坐标生成原理 | 第52-57页 |
4.2.2 行为迁移序列的生成与分析 | 第57-59页 |
4.2.3 利用行为迁移生成随机推荐列表 | 第59-61页 |
4.3 自组织网络用户行为迁移分析算法的分布式实现 | 第61-65页 |
4.4 本章小结 | 第65-66页 |
第五章 基于行为日志的移动应用推荐系统框架设计与实现 | 第66-73页 |
5.1 基于行为日志的移动应用推荐系统框架设计概述 | 第66页 |
5.2 存储模型设计与实现 | 第66-69页 |
5.2.1 存储模型需求与解决方案 | 第66-67页 |
5.2.2 存储模型设计 | 第67-68页 |
5.2.3 基于HBase的存储模型实现 | 第68-69页 |
5.3 数据分析模块设计与实现 | 第69-72页 |
5.4 本章小结 | 第72-73页 |
第六章 实验与结果分析 | 第73-94页 |
6.1 数据集描述 | 第73页 |
6.2 实验环境 | 第73-74页 |
6.3 GMM用户行为隐性评分算法实验与结果分析 | 第74-85页 |
6.3.1 评分模型参数调节 | 第75-76页 |
6.3.2 评分行为数据集上的短期推荐效果实验与分析 | 第76-80页 |
6.3.3 评分行为数据集上的长期推荐效果实验与分析 | 第80-81页 |
6.3.4 在无评分数据集上推荐结果的实验与分析 | 第81-82页 |
6.3.5 分布式GMM算法实现效率的对比与分析 | 第82-85页 |
6.4 基于自组织网络的行为迁移挖掘算法实验与结果分析 | 第85-90页 |
6.4.1 行为迁移算法参数调节 | 第85-86页 |
6.4.2 行为迁移挖掘辅助推荐算法的推荐效果实验与分析 | 第86-89页 |
6.4.3 分布式自组织网络算法的实现效率实验与分析 | 第89-90页 |
6.5 基于移动用户行为的应用推荐系统框架实现实验与结果分析 | 第90-92页 |
6.5.1 行为数据存储模型效率实验与分析 | 第90-91页 |
6.5.2 混合推荐算法效果实验与分析 | 第91-92页 |
6.6 本章小结 | 第92-94页 |
第七章 总结与展望 | 第94-96页 |
7.1 本文总结 | 第94-95页 |
7.2 缺陷和未来工作展望 | 第95-96页 |
致谢 | 第96-97页 |
参考文献 | 第97-104页 |