移動互聯網信息推薦技術研究

目錄
第1章 緒論 1
1.1 移動互聯網的基本概念 2
1.1.1 移動互聯網的定義及特點 2
1.1.2 移動互聯網推薦技術 4
1.2 移動推薦系統研究框架 10
1.3 移動推薦系統的應用 13
1.4 移動互聯網信息推薦領域中的研究熱點 16
參考文獻 18
第2章 推薦系統理論綜述 21
2.1 基於內容的推薦方法 21
2.1.1 概述 21
2.1.2 算法流程 22
2.1.3 優點與不足 26
2.2 協同過濾推薦方法 27
2.2.1 基於鄰域的協同過濾推薦方法 28
2.2.2 基於模型的協同過濾推薦方法 31
2.2.3 優點與不足 33
2.3 情境感知推薦方法 34
2.3.1 概述 34
2.3.2 情境建模方法 36
2.3.3 情境感知推薦技術的分類 37
2.3.4 優點與不足 39
2.4 社會化推薦方法 40
2.4.1 概述 40
2.4.2 社會關系網絡模型的構建 42
2.4.3 社會化推薦生成技術 44
2.4.4 優點與不足 47
2.5 群組推薦方法 49
2.5.1 概述 49
2.5.2 群組推薦方法的關鍵技術 50
2.5.3 優點與不足 52
2.6 基於深度學習的推薦方法 53
2.6.1 概述 53
2.6.2 深度學習模型 54
2.6.3 基於深度學習的推薦方法分類 57
2.6.4 優點與不足 59
2.7 大數據環境下的推薦方法 60
2.7.1 概述 60
2.7.2 大數據環境下的推薦方法中的技術 61
2.7.3 大數據環境下的推薦方法的分類 65
2.7.4 優點與不足 66
參考文獻 67
第3章 移動用戶需求獲取 71
3.1 移動用戶需求特點 72
3.2 用戶需求獲取技術概述 74
3.2.1 傳統用戶需求獲取技術 74
3.2.2 移動用戶需求獲取技術 76
3.3 移動用戶需求獲取關鍵技術 77
3.3.1 移動用戶需求獲取技術框架 77
3.3.2 情境對移動用戶需求的影響 79
3.3.3 移動用戶需求獲取的計算方法 81
3.3.4 移動用戶需求動態獲取及自適應更新技術 84
3.4 移動用戶需求獲取技術效用評價 86
3.5 有待進一步研究的問題 88
參考文獻 90
第4章 移動情境感知推薦 96
4.1 情境信息概述 97
4.1.1 情境信息的概念及特點 97
4.1.2 移動情境信息的分類 98
4.2 情境信息的獲取 100
4.2.1 情境信息獲取的技術架構 100
4.2.2 情境信息的獲取方法 101
4.3 情境信息的表示方法與建模方法 102
4.3.1 情境信息的表示方法 102
4.3.2 情境信息的建模方法 103
4.4 情境感知推薦算法 107
4.5 兩種典型的改進情境感知推薦算法 112
4.5.1 基於矩陣分解的情境感知推薦算法 112
4.5.2 寬松匹配的情境感知推薦算法 114
4.6 情境感知推薦系統的效用評價 118
參考文獻 119
第5章 社會化推薦 124
5.1 社會化推薦概述 125
5.1.1 社會化推薦系統的形式化定義 125
5.1.2 社會化推薦系統的基本框架 126
5.1.3 社會化網絡模型的構建 127
5.1.4 社會化推薦生成技術 128
5.2 融合移動用戶信任關系的協同過濾推薦算法 129
5.2.1 信任用戶間的影響度計算 131
5.2.2 融合信任關系的推薦方法 135
5.3 融合用戶群組關系的群組推薦方法 135
5.4 融合用戶地理位置信息的協同過濾推薦方法 139
5.4.1 基於地理位置信息的用戶偏好特徵模型 140
5.4.2 用戶間的信任度計算 142
5.4.3 基於用戶地理位置信息的網絡信息推薦算法 143
5.5 融合項目相似度和信任關系的推薦方法 145
參考文獻 149
第6章 群組推薦 153
6.1 群組推薦概述 154
6.1.1 群組推薦的基本方法 154
6.1.2 群組的發現和群組推薦的偏好融合策略 155
6.2 偏好融合的方法 157
6.3 群組特徵對偏好融合算法的影響 160
6.4 群組推薦系統的效用評價 161
6.5 基於項目評分和特徵的群組推薦方法 163
6.5.1 構建用戶偏好模型 164
6.5.2 構建群組偏好模型 166
6.5.3 群組相似度計算 167
6.5.4 群組推薦算法 168
參考文獻 170