| 摘要 | 第2-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究意义 | 第9-11页 |
| 1.2.1 理论意义 | 第9-10页 |
| 1.2.2 实践意义 | 第10-11页 |
| 1.3 研究内容 | 第11页 |
| 1.4 研究的主要创新点 | 第11-12页 |
| 1.5 论文技术路线与组织结构 | 第12-14页 |
| 2 文献综述及相关理论知识 | 第14-27页 |
| 2.1 文献综述 | 第14-18页 |
| 2.1.1 推荐系统相关研究 | 第14-15页 |
| 2.1.2 基于用户评论与评分的相关研究 | 第15-16页 |
| 2.1.3 用户动态兴趣漂移的相关研究 | 第16-18页 |
| 2.2 个性化推荐系统理论知识 | 第18-19页 |
| 2.2.1 推荐系统概述 | 第18页 |
| 2.2.2 推荐系统主要算法 | 第18-19页 |
| 2.3 主题模型 | 第19-24页 |
| 2.3.1 主题模型概述 | 第19-20页 |
| 2.3.2 主题模型分类 | 第20-24页 |
| 2.4 用户兴趣偏好模型理论知识 | 第24-27页 |
| 2.4.1 用户偏好模型分类 | 第24-25页 |
| 2.4.2 用户偏好模型步骤 | 第25-27页 |
| 3 结合评论与评分的用户动态偏好模型构建 | 第27-41页 |
| 3.1 基于LDA的用户评论主题分析 | 第27-34页 |
| 3.1.1 LDA主题模型分析 | 第27-28页 |
| 3.1.2 Scikit-Learn LDA主题模型实现 | 第28-34页 |
| 3.2 基于用户评论与遗忘时间函数的用户偏好分析 | 第34-37页 |
| 3.3 基于用户评分与指数时间函数的用户偏好分析 | 第37-38页 |
| 3.4 结合用户评论与评分的协同过滤算法 | 第38-40页 |
| 3.4.1 相似度计算 | 第38-39页 |
| 3.4.2 评分预测 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 4 实验设计与结果分析 | 第41-51页 |
| 4.1 数据集和实验环境 | 第41-42页 |
| 4.1.1 数据集 | 第41-42页 |
| 4.1.2 实验环境 | 第42页 |
| 4.2 实验评价标准 | 第42-43页 |
| 4.3 对比算法描述 | 第43-44页 |
| 4.3.1 本文提出的算法对比 | 第43页 |
| 4.3.2 同领域其它学者提出的算法对比 | 第43-44页 |
| 4.4 实验与结果分析 | 第44-50页 |
| 4.5 本章小结 | 第50-51页 |
| 5 总结与展望 | 第51-53页 |
| 5.1 论文总结 | 第51-52页 |
| 5.2 研究局限性和未来研究方向 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 后记 | 第57-58页 |