●前言
第1章 推薦繫統
1.1 什麼是推薦繫統
1.2 推薦繫統的研究現狀
1.3 推薦繫統的評測
第2章 數據填充方法
2.1 協同過濾推薦算法概述
2.2 數據填充方法解決數據稀疏性問題
2.3 數據填充方法的並行化
2.4 實驗評測及分析
2.5 小結
第3章 K-means聚類算法
3.1 K-means聚類算法的簡介和特點
3.2 K-means聚類算法解決冷啟動問題
3.3 K-means聚類算法的並行化
3.4 實驗評測及分析
3.5 小結
第4章 基於混合算法的推薦繫統
4.1 遺傳算法
4.2 混合算法
4.3 混合算法解決冷啟動問題
4.4 混合算法的並行化
4.5 推薦算法的並行化
4.6 實驗評測及分析
4.7 小結
第5章 基於信任關繫的推薦繫統
5.1 信任關繫
5.2 融合信任關繫的推薦模型
5.3 實驗評測及分析
5.4 小結
第6章 融合多源數據的推薦繫統
6.1 融合評論數據的推薦繫統
6.2 融合評分與評論數據的推薦繫統
6.3 實驗評測及分析
6.4 小結
參考文獻
信息化、智能化技術的快速發展引發了數據爆發式增長,大數據時代的到來也伴隨著"信息過載"問題的出現。推薦繫統是解決信息過載問題的有效方法,作為現階段推薦算法當中應用最為廣泛的個性化推薦算法之一,協同過濾推薦算法有著該領域內其他推薦算法無法比擬的諸多優點。但是在實際應用場景中,協同過濾推薦算法仍然有較多問題亟須解決。
針對協同過濾推薦算法面對的數據稀疏性問題,本專著分別采用數據填充方法、融合信任的概率矩陣分解模型、融合用戶評分信息和項目評論特征的深度學習模型進行分析解決。針對協同過濾推薦算法面對的冷啟動問題,本專著分別采用K-means聚類算法與基於優化的遺傳算法的K-means聚類混合算法進行分析解決。針對協同過濾推薦算法面對的擴展性問題,本專著采用基於Hadoop平臺MapReduce分布式計算、HDFS分布式存儲模型進行算法並行化處理。同時,在真實的數據集上通過實驗驗證上述模等