移动互联网信息推荐技术研究

6.5.4 群组推荐算法

6.5.3 群组相似度计算

6.5.2 构建群组偏好模型

6.5.1 构建用户偏好模型

6.5 基于项目评分和特征的群组推荐方法

6.4 群组推荐系统的效用评价

6.3 群组特征对偏好融合算法的影响

6.2 偏好融合的方法

6.1.2 群组的发现和群组推荐的偏好融合策略

6.1.1 群组推荐的基本方法

6.1 群组推荐概述

第6章 群组推荐

参考文献

5.5 融合项目相似度和信任关系的推荐方法

5.4.3 基于用户地理位置信息的网络信息推荐算法

5.4.2 用户间的信任度计算

5.4.1 基于地理位置信息的用户偏好特征模型

5.4 融合用户地理位置信息的协同过滤推荐方法

5.3 融合用户群组关系的群组推荐方法

5.2.2 融合信任关系的推荐方法

5.2.1 信任用户间的影响度计算

5.2 融合移动用户信任关系的协同过滤推荐算法

5.1.4 社会化推荐生成技术

5.1.3 社会化网络模型的构建

5.1.2 社会化推荐系统的基本框架

5.1.1 社会化推荐系统的形式化定义

5.1 社会化推荐概述

第5章 社会化推荐

参考文献

4.6 情境感知推荐系统的效用评价

4.5.2 宽松匹配的情境感知推荐算法

4.5.1 基于矩阵分解的情境感知推荐算法

4.5 两种典型的改进情境感知推荐算法

4.4 情境感知推荐算法

4.3.2 情境信息的建模方法

4.3.1 情境信息的表示方法

4.3 情境信息的表示方法与建模方法

4.2.2 情境信息的获取方法

4.2.1 情境信息获取的技术架构

4.2 情境信息的获取

4.1.2 移动情境信息的分类

4.1.1 情境信息的概念及特点

4.1 情境信息概述

第4章 移动情境感知推荐

参考文献

3.5 有待进一步研究的问题

3.4 移动用户需求获取技术效用评价

3.3.4 移动用户需求动态获取及自适应更新技术

3.3.3 移动用户需求获取的计算方法

3.3.2 情境对移动用户需求的影响

3.3.1 移动用户需求获取技术框架

3.3 移动用户需求获取关键技术

3.2.2 移动用户需求获取技术

3.2.1 传统用户需求获取技术

3.2 用户需求获取技术概述

3.1 移动用户需求特点

第3章 移动用户需求获取

参考文献

2.7.4 优点与不足

2.7.3 大数据环境下的推荐方法的分类

2.7.2 大数据环境下的推荐方法中的技术

2.7.1 概述

2.7 大数据环境下的推荐方法

2.6.4 优点与不足

2.6.3 基于深度学习的推荐方法分类

2.6.2 深度学习模型

2.6.1 概述

2.6 基于深度学习的推荐方法

2.5.3 优点与不足

2.5.2 群组推荐方法的关键技术

2.5.1 概述

2.5 群组推荐方法

2.4.4 优点与不足

2.4.3 社会化推荐生成技术

2.4.2 社会关系网络模型的构建

2.4.1 概述

2.4 社会化推荐方法

2.3.4 优点与不足

2.3.3 情境感知推荐技术的分类

2.3.2 情境建模方法

2.3.1 概述

2.3 情境感知推荐方法

2.2.3 优点与不足

2.2.2 基于模型的协同过滤推荐方法

2.2.1 基于邻域的协同过滤推荐方法

2.2 协同过滤推荐方法

2.1.3 优点与不足

2.1.2 算法流程

2.1.1 概述

2.1 基于内容的推荐方法

第2章 推荐系统理论综述

参考文献

1.4 移动互联网信息推荐领域中的研究热点

1.3 移动推荐系统的应用

1.2 移动推荐系统研究框架

1.1.2 移动互联网推荐技术

1.1.1 移动互联网的定义及特点

1.1 移动互联网的基本概念

第1章 绪论

前言

内容简介

版权信息

封面

封面

版权信息

内容简介

前言

第1章 绪论

1.1 移动互联网的基本概念

1.1.1 移动互联网的定义及特点

1.1.2 移动互联网推荐技术

1.2 移动推荐系统研究框架

1.3 移动推荐系统的应用

1.4 移动互联网信息推荐领域中的研究热点

参考文献

第2章 推荐系统理论综述

2.1 基于内容的推荐方法

2.1.1 概述

2.1.2 算法流程

2.1.3 优点与不足

2.2 协同过滤推荐方法

2.2.1 基于邻域的协同过滤推荐方法

2.2.2 基于模型的协同过滤推荐方法

2.2.3 优点与不足

2.3 情境感知推荐方法

2.3.1 概述

2.3.2 情境建模方法

2.3.3 情境感知推荐技术的分类

2.3.4 优点与不足

2.4 社会化推荐方法

2.4.1 概述

2.4.2 社会关系网络模型的构建

2.4.3 社会化推荐生成技术

2.4.4 优点与不足

2.5 群组推荐方法

2.5.1 概述

2.5.2 群组推荐方法的关键技术

2.5.3 优点与不足

2.6 基于深度学习的推荐方法

2.6.1 概述

2.6.2 深度学习模型

2.6.3 基于深度学习的推荐方法分类

2.6.4 优点与不足

2.7 大数据环境下的推荐方法

2.7.1 概述

2.7.2 大数据环境下的推荐方法中的技术

2.7.3 大数据环境下的推荐方法的分类

2.7.4 优点与不足

参考文献

第3章 移动用户需求获取

3.1 移动用户需求特点

3.2 用户需求获取技术概述

3.2.1 传统用户需求获取技术

3.2.2 移动用户需求获取技术

3.3 移动用户需求获取关键技术

3.3.1 移动用户需求获取技术框架

3.3.2 情境对移动用户需求的影响

3.3.3 移动用户需求获取的计算方法

3.3.4 移动用户需求动态获取及自适应更新技术

3.4 移动用户需求获取技术效用评价

3.5 有待进一步研究的问题

参考文献

第4章 移动情境感知推荐

4.1 情境信息概述

4.1.1 情境信息的概念及特点

4.1.2 移动情境信息的分类

4.2 情境信息的获取

4.2.1 情境信息获取的技术架构

4.2.2 情境信息的获取方法

4.3 情境信息的表示方法与建模方法

4.3.1 情境信息的表示方法

4.3.2 情境信息的建模方法

4.4 情境感知推荐算法

4.5 两种典型的改进情境感知推荐算法

4.5.1 基于矩阵分解的情境感知推荐算法

4.5.2 宽松匹配的情境感知推荐算法

4.6 情境感知推荐系统的效用评价

参考文献

第5章 社会化推荐

5.1 社会化推荐概述

5.1.1 社会化推荐系统的形式化定义

5.1.2 社会化推荐系统的基本框架

5.1.3 社会化网络模型的构建

5.1.4 社会化推荐生成技术

5.2 融合移动用户信任关系的协同过滤推荐算法

5.2.1 信任用户间的影响度计算

5.2.2 融合信任关系的推荐方法

5.3 融合用户群组关系的群组推荐方法

5.4 融合用户地理位置信息的协同过滤推荐方法

5.4.1 基于地理位置信息的用户偏好特征模型

5.4.2 用户间的信任度计算

5.4.3 基于用户地理位置信息的网络信息推荐算法

5.5 融合项目相似度和信任关系的推荐方法

参考文献

第6章 群组推荐

6.1 群组推荐概述

6.1.1 群组推荐的基本方法

6.1.2 群组的发现和群组推荐的偏好融合策略

6.2 偏好融合的方法

6.3 群组特征对偏好融合算法的影响

6.4 群组推荐系统的效用评价

6.5 基于项目评分和特征的群组推荐方法

6.5.1 构建用户偏好模型

6.5.2 构建群组偏好模型

6.5.3 群组相似度计算

6.5.4 群组推荐算法