当前位置: 首页 > 现代文学 > 文章

基于二重分解的上下文预过滤推荐技术研究

2019-07-05

基于二重分解的上下文预过滤推荐技术研究

摘要第1-6页ABSTRACT第6-10页第1章绪论第10-14页·研究背景第10页·研究现状第10-12页·传统推荐技术的研究现状第10-11页·上下文感知推荐技术研究现状第11-12页·本文组织结构第12-14页第2章推荐系统综述第14-24页·传统推荐技术第14-18页·协同过滤算法第14-15页·以内存为驱动的协同过滤算法第15-18页·以模型为驱动的协同过滤算法第18页·上下文感知推荐技术第18-23页·上下文感知推荐形式化定义第18-19页·上下文感知推荐模型第19-21页·上下文感知推荐算法第21页·基于上下文预过滤的推荐算法第21-23页·本章总结第23-24页第3章基于二重分解的上下文预过滤推荐算法研究第24-36页·基于分解的上下文感知推荐算法第24-28页·研究背景第24页·算法描述第24-25页·基于物品和用户的分解第25-28页·基于二重分解的上下文预过滤推荐算法第28-31页·基于上下文相似度的过滤分解第28-29页·基于二重分解的上下文推荐生成第29-30页·算法复杂度分析第30-31页·实验分析第31-34页·实验数据集第31页·评估标准第31页·经典算法比较第31-32页·分解标准对预测效果的影响第32-34页·分解阈值对预测效果的影响第34页·分解比例对预测效果的影响第34页·本章总结第34-36页第4章面向易货交易的上下文预过滤推荐技术研究第36-47页·研究背景第36-38页·基于易货环境的上下文信息选取第36-37页·基于易货环境上下文的过滤分解第37-38页·基于组合分解的上下文预过滤推荐算法第38-43页·物品分解和用户分解组合第38页·基于组合分解的误差修正第38-40页·基于组合分解的上下文推荐生成第40-41页·复杂度分析第41-42页·基于组合分解思想的易货交易推荐流程第42-43页·实验分析第43-46页·实验数据集第43页·评估标准第43页·经典算法比较第43-45页·组合分解比例对预测性能的影响第45-46页·上下文稀疏性对预测性能的影响第46页·本章总结第46-47页第5章总结与展望第47-49页·工作总结第47-48页·研究展望第48-49页致谢第49-50页参考文献第50-54页附录第54-55页详细摘要第55-57页。

友情链接