声明
摘要
1 绪论
1.1 研究背景及意义
1.1.1 信息过载产生原因
1.1.2 信息过载传统解决方法
1.1.3 推荐系统
1.2 推荐系统的研究现状
1.3 本文的研究内容
1.4 本文的组织架构
2 研究理论基础
2.1 相关技术
2.1.1 信息检索
2.1.2 信息过滤
2.1.3 数据挖掘
2.2 推荐算法概述
2.2.1 基于内容的推荐算法
2.2.2 基于协同过滤的推荐算法
2.2.3 基于关联规则的推荐
2.2.4 基于聚类的推荐
2.2.5 基于知识的推荐
2.2.6 基于上下文感知的推荐
2.2.7 社交网络推荐
2.2.8 混合推荐算法
2.3 相关理论
2.3.1 长尾理论
2.3.2 马太效应
3 基于项目相似度改进的协同过滤TopN推荐算法
3.1 用户行为数据
3.1.1 用户行为数据简介
3.1.2 用户行为数据分类
3.1.3 数据集分类
3.2 基于项目的协同过滤算法主要步骤
3.2.1 建立用户一项目反馈信息矩阵R(m,n)
3.2.2 项目相似度计算
3.2.3 推荐列表生成
3.3 基于项目相似度改进的协同过滤TopN推荐算法
3.3.1 项目相似度计算公式改进
3.3.2 项目相似度的归一化
3.3.3 TopN推荐
4 实验设计与算法评测
4.1 推荐系统实验方法
4.1.1 离线实验
4.1.2 用户调查
4.1.3 在线实验
4.2 评测指标
4.2.1 用户满意度
4.2.2 准确度评价
4.2.3 覆盖率
4.2.4 新颖度
4.3 实验设计与结果分析
4.3.1 数据集选用
4.3.2 本文实验设计
4.3.3 实验结果与分析
5 总结与展望
5.1 总结
5.2 展望
参考文献
致谢
作者简介及读研期间主要科研成果