第1章 緒論
1.1 研究背景及意義
1.1.1 研究背景
1.1.2 研究目的及意義
1.2 信息技術發(fā)展
1.2.1 信息存儲技術
1.2.2 信息處理技術
1.2.3 信息系統(tǒng)技術
1.3 本書的研究內容及創(chuàng)新
1.4 數(shù)據(jù)集介紹
1.5 本章小結
第2章 相關研究概述
2.1 國內外相關領域研究現(xiàn)狀
2.1.1 復雜數(shù)據(jù)處理方法
2.1.2 推薦算法
2.2 本章小結
第3章 目前主要推薦算法概述
3.1 基于統(tǒng)計的推薦算法
3.2 基于內容的推薦算法
3.3 協(xié)同過濾推薦算法
3.4 基于關聯(lián)規(guī)則的推薦系統(tǒng)
3.5 基于網絡結構的推薦
3.6 組合推薦
3.7 推薦算法評測
3.7.1 預測評分準確度
3.7.2 預測評分關聯(lián)性
3.7.3 推薦準確度
3.7.4 排序準確度
3.7.5 覆蓋率
3.7.6 個性化程度/多樣性
3.7.7 新穎性
3.7.8 驚喜度
3.8 推薦算法評測結果的比較
3.9 電子商務推薦系統(tǒng)的整體架構
3.1 0推薦系統(tǒng)的瓶頸和挑戰(zhàn)
3.1 1本章小結
第4章 基于二部圖網絡的推薦算法
4.1 復雜網絡理論
4.1.1 復雜網絡的演化過程
4.1.2 復雜網絡簡介
4.1.3 二部圖網絡簡介
4.2 基于二部圖網絡的推薦算法
4.2.1 基于二部圖網絡的推薦算法研究現(xiàn)狀
4.2.2 基于二部圖網絡的推薦算法簡介
4.2.3 目前一些可行的優(yōu)化算法
4.3 本章小結
第5章 基于二部圖網絡推薦算法的改進
5.1 基于二部圖網絡的推薦算法的不足
5.1.1 冷啟動問題
5.1.2 用戶興趣度參差不齊的問題
5.1.3 內容匹配問題
5.2 社會化標簽
5.2.1 標簽及社會化標簽
5.2.2 社會化標簽的應用
5.3 引入社會化標簽的二部圖網絡推薦算法
5.3.1 計算用戶-產品二部圖
5.3.2 計算產品-標簽二部圖
5.3.3 對前兩步中產品得到的資源求和
5.4 實驗數(shù)據(jù)集
5.4.1 數(shù)據(jù)集選取
5.4.2 數(shù)據(jù)集結構
5.4.3 數(shù)據(jù)集預處理
5.5 實驗思路
5.5.1 實驗方法
5.5.2 實驗步驟
5.6 實驗結果及分析
5.6.1 單組數(shù)據(jù)集實驗
5.6.2 多組數(shù)據(jù)集實驗
5.6.3 不同規(guī)模數(shù)據(jù)集實驗
5.7 本章小結
第6章 改進的Slope one算法及基于內容的過濾
6.1 Slope one算法簡介
6.2 改進的Slope one算法
6.2.1 算法改進背景
6.2.2 時間權重函數(shù)
6.2.3 參數(shù)T0的自學習
6.2.4 實驗分析
6.3 基于KNN的內容過濾
6.4 本章小結
第7章 組合算法的推薦系統(tǒng)模型
7.1 組合推薦系統(tǒng)的優(yōu)勢
7.2 組合算法的推薦系統(tǒng)模型
7.2.1 組合推薦算法的基本思想
7.2.2 組合推薦模型的框架
7.3 實驗結果及分析
7.3.1 實驗目的
7.3.2 實驗方法
7.3.3 度量標準
7.3.4 實驗結果
7.4 本章小結
第8章 推薦系統(tǒng)應用研究
8.1 需求分析
8.2 系統(tǒng)整體架構圖
8.3 系統(tǒng)推薦流程
8.4 數(shù)據(jù)庫設計
8.5 推薦系統(tǒng)功能模塊的劃分
8.6 推薦系統(tǒng)中的訪問控制模型
8.6.1 推薦系統(tǒng)的模型基礎
8.6.2 基于信譽的訪問控制模型組件
8.6.3 基于信譽的訪問控制模型
8.6.4 基于信譽的訪問控制機制
8.6.5 基于信譽的訪問控制機制范例
8.7 本章小結
第9章 總結與展望
參考文獻