| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 中文文摘 | 第6-10页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 面临的主要问题和挑战 | 第13-14页 |
| 1.4 论文研究内容和组织结构 | 第14-16页 |
| 第二章 博弈论基础和矩阵分解推荐模型 | 第16-24页 |
| 2.1 博弈论基础 | 第16-18页 |
| 2.1.1 博弈论的概念和要素 | 第16-17页 |
| 2.1.2 博弈论的分类 | 第17-18页 |
| 2.2 矩阵分解推荐模型 | 第18-23页 |
| 2.2.1 隐语义模型(LFM) | 第19-20页 |
| 2.2.2 带偏置矩阵分解推荐模型(Biased MF) | 第20-21页 |
| 2.2.3 概率矩阵分解推荐模型(PMF) | 第21-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 常规推荐和长尾推荐的博弈模型 | 第24-30页 |
| 3.1 常规和长尾的捆绑推荐 | 第24-26页 |
| 3.1.1 常规推荐和长尾推荐的概念 | 第24-25页 |
| 3.1.2 捆绑推荐相似性关联 | 第25-26页 |
| 3.2 常规和长尾的捆绑推荐博弈建模 | 第26-28页 |
| 3.3 本章小结 | 第28-30页 |
| 第四章 常规与长尾的捆绑推荐的博弈实现 | 第30-48页 |
| 4.1 捆绑推荐博弈的二种实现 | 第30-32页 |
| 4.1.1 常规推荐和长尾推荐的相似规则化 | 第30-32页 |
| 4.1.2 捆绑推荐博弈的实现 | 第32页 |
| 4.2 捆绑推荐博弈的实现：相似规则化的概率矩阵分解(SR-PMF) | 第32-38页 |
| 4.2.1 相似规则化的概率矩阵分解建模 | 第32-35页 |
| 4.2.2 相似邻域的相似度计算 | 第35-36页 |
| 4.2.3 SR-PMF模型的学习算法 | 第36-38页 |
| 4.3 融合相似传播的SR-PMF实现：SP-PMF | 第38-43页 |
| 4.3.1 相似传播的概述 | 第39-40页 |
| 4.3.2 用户社交关联度计算方法 | 第40页 |
| 4.3.3 基于相似传播的相似性度量算法 | 第40-42页 |
| 4.3.4 基于相似传播的概率矩阵分解推荐建模 | 第42-43页 |
| 4.4 自适应相似规则化的SR-PMF实现：ASR-PMF | 第43-45页 |
| 4.4.1 基于特征向量的相似度计算 | 第43-44页 |
| 4.4.2 自适应相似规则化推荐建模 | 第44-45页 |
| 4.5 本章小结 | 第45-48页 |
| 第五章 实验与分析 | 第48-60页 |
| 5.1 实验数据集 | 第48-50页 |
| 5.2 评测指标 | 第50-51页 |
| 5.3 实验 | 第51-56页 |
| 5.3.1 MovieLens 1M数据集的实验 | 第52-54页 |
| 5.3.2 Netflix数据集的实验 | 第54-56页 |
| 5.4 实验分析 | 第56-59页 |
| 5.4.1 推荐效果的分析 | 第56-57页 |
| 5.4.2 捆绑推荐合作博弈的分析 | 第57-59页 |
| 5.5 本章小结 | 第59-60页 |
| 第六章 总结展望 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 攻读学位期间承担的科研任务与主要成果 | 第68-70页 |
| 致谢 | 第70-72页 |
| 个人简历 | 第72-73页 |
