面向复杂数据的推荐分析研究

第1章 绪论

1.1 研究背景及意义

1.1.1 研究背景

1.1.2 研究目的及意义

1.2 信息技术发展

1.2.1 信息存储技术

1.2.2 信息处理技术

1.2.3 信息系统技术

1.3 本书的研究内容及创新

1.4 数据集介绍

1.5 本章小结

第2章 相关研究概述

2.1 国内外相关领域研究现状

2.1.1 复杂数据处理方法

2.1.2 推荐算法

2.2 本章小结

第3章 目前主要推荐算法概述

3.1 基于统计的推荐算法

3.2 基于内容的推荐算法

3.3 协同过滤推荐算法

3.4 基于关联规则的推荐系统

3.5 基于网络结构的推荐

3.6 组合推荐

3.7 推荐算法评测

3.7.1 预测评分准确度

3.7.2 预测评分关联性

3.7.3 推荐准确度

3.7.4 排序准确度

3.7.5 覆盖率

3.7.6 个性化程度／多样性

3.7.7 新颖性

3.7.8 惊喜度

3.8 推荐算法评测结果的比较

3.9 电子商务推荐系统的整体架构

3.1 0推荐系统的瓶颈和挑战

3.1 1本章小结

第4章 基于二部图网络的推荐算法

4.1 复杂网络理论

4.1.1 复杂网络的演化过程

4.1.2 复杂网络简介

4.1.3 二部图网络简介

4.2 基于二部图网络的推荐算法

4.2.1 基于二部图网络的推荐算法研究现状

4.2.2 基于二部图网络的推荐算法简介

4.2.3 目前一些可行的优化算法

4.3 本章小结

第5章 基于二部图网络推荐算法的改进

5.1 基于二部图网络的推荐算法的不足

5.1.1 冷启动问题

5.1.2 用户兴趣度参差不齐的问题

5.1.3 内容匹配问题

5.2 社会化标签

5.2.1 标签及社会化标签

5.2.2 社会化标签的应用

5.3 引入社会化标签的二部图网络推荐算法

5.3.1 计算用户-产品二部图

5.3.2 计算产品-标签二部图

5.3.3 对前两步中产品得到的资源求和

5.4 实验数据集

5.4.1 数据集选取

5.4.2 数据集结构

5.4.3 数据集预处理

5.5 实验思路

5.5.1 实验方法

5.5.2 实验步骤

5.6 实验结果及分析

5.6.1 单组数据集实验

5.6.2 多组数据集实验

5.6.3 不同规模数据集实验

5.7 本章小结

第6章 改进的Slope one算法及基于内容的过滤

6.1 Slope one算法简介

6.2 改进的Slope one算法

6.2.1 算法改进背景

6.2.2 时间权重函数

6.2.3 参数T0的自学习

6.2.4 实验分析

6.3 基于KNN的内容过滤

6.4 本章小结

第7章 组合算法的推荐系统模型

7.1 组合推荐系统的优势

7.2 组合算法的推荐系统模型

7.2.1 组合推荐算法的基本思想

7.2.2 组合推荐模型的框架

7.3 实验结果及分析

7.3.1 实验目的

7.3.2 实验方法

7.3.3 度量标准

7.3.4 实验结果

7.4 本章小结

第8章 推荐系统应用研究

8.1 需求分析

8.2 系统整体架构图

8.3 系统推荐流程

8.4 数据库设计

8.5 推荐系统功能模块的划分

8.6 推荐系统中的访问控制模型

8.6.1 推荐系统的模型基础

8.6.2 基于信誉的访问控制模型组件

8.6.3 基于信誉的访问控制模型

8.6.4 基于信誉的访问控制机制

8.6.5 基于信誉的访问控制机制范例

8.7 本章小结

第9章 总结与展望

参考文献

《面向复杂数据的推荐分析研究》主要从推荐分析的角度，系统介绍了如何利用推荐分析的相关理论和方法，提升复杂数据的推荐效果和精度，同时还结合实际应用问题说明了面向复杂数据的推荐分析应用过程。主要内容包括基于二部图网络的推荐算法改进、Slopeone算法及基于内容的过滤改进、组合推荐等。