第一个书签之前
摘 要
1 绪论
1.1 研究背景和研究意义
1.2 国内外研究现状
1.2.1 推荐系统研究现状
1.2.2 协同过滤推荐算法稀疏性问题研究现状
1.3 本文的主要内容
1.4 本文的组织结构
2 推荐系统及其相关理论介绍
2.1 推荐系统概述
2.1.1 基于模型的推荐
2.1.2 基于关联规则的推荐
2.1.3 基于内容的推荐
2.1.4 混合推荐
2.2 协同过滤算法
2.2.1 基于用户的协同过滤算法
2.2.2 基于项目的协同过滤算法
2.3 协同过滤算法数据稀疏性问题
2.4 推荐算法的评价指标
2.4.1 预测准确性
2.4.2 分类准确性
2.5 本章小结
3 稀疏数据的评分预测算法研究
3.1 评分预测数据稀疏性问题
3.2 相似度计算
3.2.1 余弦相似性
3.2.2 修正的余弦相似性
3.2.3 Pearson相关相似性
3.3 数据的评分预测
3.3.1 传统的评分预测算法
3.3.2 改进的评分预测算法
3.3.3 评分预测过程
3.4 实验设计与分析
3.4.1 实验数据集和环境
3.4.2 实验方案与结果分析
3.5 本章小结
4 基于预测值和多元值混合填充算法
4.1 问题的提出与分析
4.2 基于预测值填充
4.3 多元值填充
4.3.1 多原值填充分析
4.3.2 多元值计算规则
4.3.3 多元值单独填充实现
4.4 基于预测值和多元值填充的混合填充算法
4.5 实验结果与分析
4.5.1 实验数据集和实验环境
4.5.2 实验及分析
4.6 本章小结
5 基于用户兴趣偏好的协同过滤推荐算法
5.1 用户兴趣偏好的提出
5.2 基于用户兴趣偏好相似度计算
5.2.1 基于用户兴趣偏好相似度
5.2.2 综合相似度
5.3.1 评分矩阵的预处理
5.3.2 算法的实现过程
5.4.1 实验方案
5.4.2 实验结果与讨论
5.5 本章小结
6总结和展望
6.1 本文的总结
6.2 未来的展望
致 谢
参考文献
攻读学位期间发表的相关学术论文及研究成果
西南科技大学;