| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-13页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文的主要工作和组织结构 | 第12-13页 |
| 1.3.1 本文的主要工作 | 第12页 |
| 1.3.2 本文的组织结构 | 第12-13页 |
| 第2章 现有的协同过滤算法 | 第13-27页 |
| 2.1 基于内存的协同过滤算法 | 第13-22页 |
| 2.1.1 基于用户的 k-最近邻协同过滤算法 | 第13-16页 |
| 2.1.2 基于物品的 k-最近邻协同过滤算法 | 第16-19页 |
| 2.1.3 Slope One 算法 | 第19页 |
| 2.1.4 改进的基于物品的 k-最近邻协同过滤算法 | 第19-22页 |
| 2.2 基于模型的协同过滤算法 | 第22-27页 |
| 2.2.1 基于矩阵分解的协同过滤算法 | 第22-24页 |
| 2.2.2 基于 RBM 的协同过滤算法 | 第24-27页 |
| 第3章 本文提出的协同过滤算法 | 第27-45页 |
| 3.1 基于神经网络基本模型的协同过滤算法 | 第27-36页 |
| 3.1.1 神经网络的介绍 | 第27-30页 |
| 3.1.2 用于电影评分预测的神经网络基本模型 | 第30-33页 |
| 3.1.3 模型的训练及特征向量的学习 | 第33-36页 |
| 3.2 基于张量神经网络的协同过滤算法 | 第36-42页 |
| 3.2.1 张量的介绍 | 第36-37页 |
| 3.2.2 用于电影评分预测的张量神经网络模型 | 第37-40页 |
| 3.2.3 模型的训练及特征向量的学习 | 第40-42页 |
| 3.3 基于神经网络基本模型的 K-最近邻协同过滤算法 | 第42-45页 |
| 第4章 实验设计与实验结果 | 第45-50页 |
| 4.1 实验设计 | 第45-47页 |
| 4.1.1 对比实验设计 | 第45-46页 |
| 4.1.2 本文所提算法的实验设计 | 第46-47页 |
| 4.2 结果与分析 | 第47-50页 |
| 第5章 总结与展望 | 第50-52页 |
| 5.1 本文总结 | 第50页 |
| 5.2 未来展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 作者简介 | 第56-57页 |
| 致谢 | 第57页 |