| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-24页 |
| 1.1 .研究背景 | 第10-11页 |
| 1.2 .研究现状 | 第11-21页 |
| 1.2.1 .个性化推荐研究现状 | 第11-15页 |
| 1.2.2 .跨领域推荐研究现状 | 第15-17页 |
| 1.2.3 .迁移学习研究现状 | 第17-21页 |
| 1.3 .研究内容 | 第21-22页 |
| 1.4 .研究思路 | 第22-23页 |
| 1.5 .论文组织架构 | 第23-24页 |
| 第二章 个性化推荐、跨领域推荐及迁移学习 | 第24-41页 |
| 2.1 .推荐系统及传统协同过滤推荐 | 第24-31页 |
| 2.1.1 .推荐系统简介 | 第24-27页 |
| 2.1.2 .基于协同过滤的推荐 | 第27-30页 |
| 2.1.3 .传统协同过滤推荐面临的问题 | 第30-31页 |
| 2.2 .跨领域推荐 | 第31-36页 |
| 2.2.1 .跨领域推荐任务及场景 | 第32-34页 |
| 2.2.2 .跨领域推荐技术分类 | 第34-35页 |
| 2.2.3 .跨领域推荐算法评价指标 | 第35-36页 |
| 2.3 .迁移学习 | 第36-39页 |
| 2.3.1 .迁移学习研究内容 | 第36页 |
| 2.3.2 .迁移学习分类 | 第36-38页 |
| 2.3.3 .迁移学习方法 | 第38页 |
| 2.3.4 .迁移学习面临的问题 | 第38-39页 |
| 2.4 .本章小结 | 第39-41页 |
| 第三章 基于标签迁移学习的跨领域推荐 | 第41-53页 |
| 3.1 .基于标签迁移学习的跨领域推荐模型 | 第41-42页 |
| 3.2 .模型算法 | 第42-46页 |
| 3.2.1 .非负矩阵分解算法 | 第42-43页 |
| 3.2.2 .基于PSO改进的K-means聚类算法 | 第43-45页 |
| 3.2.3 .SVM分类算法 | 第45-46页 |
| 3.3 .实验数据分析 | 第46-51页 |
| 3.3.1 .实验数据及数据预处理 | 第46-47页 |
| 3.3.2 .源领域用户评分矩阵聚类分析 | 第47-49页 |
| 3.3.3 .目标领域基于用户标签信息的分类 | 第49页 |
| 3.3.4 .预测目标领域用户评分 | 第49-51页 |
| 3.4 .本章小结 | 第51-53页 |
| 第四章 基于用户兴趣度迁移学习的跨领域推荐 | 第53-65页 |
| 4.1 .基于用户兴趣度迁移学习的跨领域推荐模型 | 第53-54页 |
| 4.2 .模型算法 | 第54-57页 |
| 4.2.1 .奇异值分解算法 | 第55-56页 |
| 4.2.2 .Pearson相似度算法 | 第56-57页 |
| 4.3 .实验数据分析 | 第57-64页 |
| 4.3.1 .实验数据及预处理 | 第57-58页 |
| 4.3.2 .源领域用户兴趣度模型构建 | 第58-59页 |
| 4.3.3 .目标领域用户兴趣度模型构建 | 第59-60页 |
| 4.3.4 .迁移源领域兴趣度模型至目标领域 | 第60-64页 |
| 4.4 .本章小结 | 第64-65页 |
| 总结与展望 | 第65-67页 |
| 总结 | 第65-66页 |
| 展望 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 攻读硕士学位期间取得的研究成果 | 第72-73页 |
| 致谢 | 第73-74页 |
| 附件 | 第74页 |