| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 引言 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 传统推荐算法的研究 | 第11-12页 |
| 1.2.2 神经网络在推荐算法上的研究 | 第12-13页 |
| 1.3 本文的研究内容及贡献 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 第2章 推荐算法及相关技术概述 | 第16-29页 |
| 2.1 引言 | 第16页 |
| 2.2 推荐算法介绍 | 第16-25页 |
| 2.2.1 协同过滤算法 | 第16-20页 |
| 2.2.2 基于内容的推荐算法 | 第20-21页 |
| 2.2.3 混合推荐算法 | 第21-22页 |
| 2.2.4 情境感知推荐算法 | 第22-25页 |
| 2.3 推荐技术难点 | 第25-27页 |
| 2.3.1 数据稀疏和冷启动问题 | 第26页 |
| 2.3.2 情境感知问题 | 第26-27页 |
| 2.4 推荐系统评估指标 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 结合情境信息和改进SVD的推荐算法 | 第29-47页 |
| 3.1 引言 | 第29页 |
| 3.2 Two-level SVD推荐算法 | 第29-33页 |
| 3.2.1 SVD矩阵分解 | 第30-31页 |
| 3.2.2 Two-level SVD推荐算法 | 第31-33页 |
| 3.3 结合Two-level SVD的情境感知推荐算法 | 第33-38页 |
| 3.3.1 时间情境后过滤 | 第33-34页 |
| 3.3.2 基于SVD的情境感知推荐算法 | 第34-36页 |
| 3.3.3 基于two-level SVD的情境感知推荐算法 | 第36-38页 |
| 3.4 实验结果与分析 | 第38-45页 |
| 3.4.1 数据集介绍 | 第38-39页 |
| 3.4.2 性能评估 | 第39-40页 |
| 3.4.3 不同数据集上的实验结果 | 第40-45页 |
| 3.5 本章小结 | 第45-47页 |
| 第4章 基于神经网络的组合推荐算法 | 第47-57页 |
| 4.1 引言 | 第47页 |
| 4.2 BP神经网络算法 | 第47-49页 |
| 4.3 基于BP神经网络的组合推荐 | 第49-52页 |
| 4.3.1 相似度计算 | 第49-50页 |
| 4.3.2 基于BP神经网络的组合推荐 | 第50-52页 |
| 4.4 实验结果与分析 | 第52-55页 |
| 4.4.1 数据集介绍 | 第52-53页 |
| 4.4.2 评估标准 | 第53页 |
| 4.4.3 实验结果对比分析 | 第53-55页 |
| 4.5 本章小结 | 第55-57页 |
| 第5章 总结与展望 | 第57-59页 |
| 5.1 工作总结 | 第57-58页 |
| 5.2 未来展望 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士学位期间的研究成果 | 第65页 |