协同过滤算法中冷启动问题的研究

目录

声明

1 绪论

1.1 研究背景及其意义

1.2 发展历史与研究现状

1.3 本文研究内容

1.4 论文架构

2 个性化推荐相关技术

2.1 主要推荐技术

2.1.1 推荐技术概述

2.1.2 推荐技术的分类与介绍

2.2 协同过滤推荐算法

2.2.1 协同过滤推荐算法的分类

2.2.2 协同过滤推荐算法的实现

2.2.3 协同过滤推荐算法的评价标准

2.2.4 传统的协同过滤推荐算法的优缺点

2.2.5 目前协同过滤推荐算法的改进

2.3 本章小结

3 融合用户信息和BP网络的协同过滤算法

3.1 问题的提出

3.1.1 新用户冷启动问题的提出

3.1.2 本文解决新用户冷启动的思路

3.2 分量相似度计算模块

3.2.1 分量相似度1：性别相似度

3.2.2 分量相似度2：年龄相似度

3.2.3 分量相似度3：职业相似度

3.3 负反馈神经网络模块

3.4 融合用户信息和BP网络的协同过滤算法(UA-BP-CF)

3.4.1 算法描述

3.4.2 算法流程图

3.5 本章小结

4 结合项目内容和层次聚类的协同过滤算法

4.1 问题的提出

4.1.1 新项目冷启动问题的提出

4.1.2 本文解决新项目冷启动的思路

4.2 项目内容的欧氏距离计算

4.3 凝聚式层次聚类模块

4.4结合项目内容和层次聚类的协同过滤改进算法(IC-HC-CF)

4.4.1 算法描述

4.4.2 算法流程图

4.5 本章小结

5 实验与结果分析

5.1 数据集介绍

5.2 设计实验与结果分析

5.2.1 实验准备

5.2.2 实验设计与结果分析

5.3 本章小结

6 总结与展望

6.1 本文工作总结

6.2 进一步工作展望

参考文献

攻读学位期间的研究成果

致谢