| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-24页 |
| 1.1 研究背景 | 第14-16页 |
| 1.2 研究意义 | 第16-17页 |
| 1.3 研究现状及面临的挑战 | 第17-21页 |
| 1.3.1 研究现状 | 第17-19页 |
| 1.3.2 推荐系统所面临的挑战 | 第19-21页 |
| 1.4 本文要解决的问题 | 第21-22页 |
| 1.5 论文安排 | 第22-24页 |
| 第二章 基于集成的矩阵分解算法 | 第24-38页 |
| 2.1 引言 | 第24页 |
| 2.2 基于矩阵分解的隐语义模型推荐算法 | 第24-26页 |
| 2.2.1 矩阵分解介绍 | 第24页 |
| 2.2.2 矩阵分解数学模型 | 第24-26页 |
| 2.3 非负矩阵分解模型 | 第26-27页 |
| 2.4 集成学习方法介绍 | 第27-28页 |
| 2.5 基于集成的矩阵分解方法 | 第28-31页 |
| 2.5.1 基于集成的矩阵分解方法的研究动机 | 第28-29页 |
| 2.5.2 基于集成的矩阵分解方法的详细步骤 | 第29-31页 |
| 2.6 实验结果分析 | 第31-37页 |
| 2.6.1 对比算法及实验环境 | 第31-32页 |
| 2.6.2 数据集及评价准则 | 第32-33页 |
| 2.6.3 算法复杂度 | 第33页 |
| 2.6.4 实验更新矩阵时所用的学习率以及结果分析 | 第33-37页 |
| 2.7 本章总结 | 第37-38页 |
| 第三章 基于关联式规则挖掘用户信息的SVD++算法 | 第38-52页 |
| 3.1 引言 | 第38页 |
| 3.2 基于SVD++模型的推荐算法 | 第38-41页 |
| 3.2.1 用户与物品偏置以及基准预测模型介绍 | 第38-39页 |
| 3.2.2 SVD算法及数学模型 | 第39-40页 |
| 3.2.3 SVD++模型 | 第40-41页 |
| 3.3 基于关联式规则挖掘用户信息的SVD++算法 | 第41-46页 |
| 3.3.1 关联式规则 | 第41-42页 |
| 3.3.2 基于关联式规则挖掘用户信息的SVD++算法的详细步骤 | 第42-46页 |
| 3.4 实验结果分析 | 第46-51页 |
| 3.4.1 对比算法及实验环境 | 第46页 |
| 3.4.2 数据集及评价准则 | 第46页 |
| 3.4.3 算法复杂度 | 第46页 |
| 3.4.4 实验更新矩阵时所用的学习率以及结果分析 | 第46-51页 |
| 3.5 本章总结 | 第51-52页 |
| 第四章 基于皮尔逊系数挖掘物品信息的SVD++算法 | 第52-62页 |
| 4.1 引言 | 第52页 |
| 4.2 相似性度量方法 | 第52-53页 |
| 4.2.1 cosine余弦夹角 | 第52页 |
| 4.2.2 皮尔逊系数 | 第52-53页 |
| 4.3 基于皮尔逊系数挖掘物品信息的SVD++算法 | 第53-57页 |
| 4.4 实验结果分析 | 第57-61页 |
| 4.4.1 对比算法及实验环境 | 第57页 |
| 4.4.2 数据集及评价准则 | 第57页 |
| 4.4.3 算法复杂度 | 第57页 |
| 4.4.4 实验更新矩阵时所用的学习率以及结果分析 | 第57-61页 |
| 4.5 本章总结 | 第61-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-70页 |
| 作者简介 | 第70-71页 |
