| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第14-21页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外研究现状分析 | 第15-17页 |
| 1.3 论文的主要研究内容 | 第17-19页 |
| 1.4 论文的组织结构 | 第19-20页 |
| 1.5 本章小结 | 第20-21页 |
| 第二章 推荐算法及相关技术 | 第21-32页 |
| 2.1 常用的推荐算法 | 第21-27页 |
| 2.1.1 基于人口统计学的推荐算法 | 第21-22页 |
| 2.1.2 基于内容的推荐算法 | 第22-23页 |
| 2.1.3 协同过滤推荐算法 | 第23-25页 |
| 2.1.4 混合推荐算法 | 第25-27页 |
| 2.1.5 各种推荐算法的对比 | 第27页 |
| 2.2 常用的相似性度量公式 | 第27-30页 |
| 2.3 传统的相似性度量方法分析 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 融合用户上下文信息的协同过滤推荐算法 | 第32-47页 |
| 3.1 问题定义 | 第32页 |
| 3.2 基于用户评分差值的相似性度量方法 | 第32-33页 |
| 3.2.1 相似性计算 | 第32-33页 |
| 3.2.2 评分差值向量表示 | 第33页 |
| 3.3 融合用户上下文信息的相似性度量方法 | 第33-37页 |
| 3.3.1 相似性计算 | 第34页 |
| 3.3.2 上下文信息表示 | 第34-37页 |
| 3.4 启发式算法 | 第37-43页 |
| 3.4.1 基本概念 | 第37-39页 |
| 3.4.2 目标函数 | 第39页 |
| 3.4.3 NSGA-Ⅱ算法流程介绍 | 第39-43页 |
| 3.4.4 基于NSGA-Ⅱ算法的权重参数求解 | 第43页 |
| 3.5 算法流程 | 第43-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 融合用户上下文信息和时序信息的协同过滤推荐算法 | 第47-56页 |
| 4.1 融合用户上下文信息和时序信息的相似性度量方法 | 第47-51页 |
| 4.1.1 相似性计算 | 第47-48页 |
| 4.1.2 时序信息表示 | 第48-51页 |
| 4.2 利用受限玻尔兹曼机处理时序特征 | 第51-53页 |
| 4.3 算法流程 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 实验设计与分析 | 第56-66页 |
| 5.1 数据集 | 第56页 |
| 5.2 评价指标 | 第56-58页 |
| 5.3 实验设计 | 第58页 |
| 5.4 实验结果 | 第58-65页 |
| 5.4.1 降维算法的对比实验 | 第58-60页 |
| 5.4.2 探索RBM的迭代次数 | 第60-61页 |
| 5.4.3 推荐算法的对比实验 | 第61-63页 |
| 5.4.4 迭代次数的对比实验 | 第63-65页 |
| 5.5 本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 工作总结 | 第66-67页 |
| 6.2 研究展望 | 第67-68页 |
| 参考文献 | 第68-74页 |
| 硕士在读期间学术成果 | 第74-75页 |
| 致谢 | 第75页 |