| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 研究内容 | 第15-16页 |
| 1.4 本文的组织结构 | 第16-17页 |
| 2 推荐系统及相关理论基础 | 第17-26页 |
| 2.1 推荐系统的定义 | 第17页 |
| 2.2 推荐系统的主要方法 | 第17-23页 |
| 2.2.1 基于内容的推荐算法 | 第17-19页 |
| 2.2.2 基于协同过滤的推荐算法 | 第19-22页 |
| 2.2.3 混合推荐算法 | 第22-23页 |
| 2.3 推荐系统的评价指标 | 第23-24页 |
| 2.4 常用数据集 | 第24-26页 |
| 3 基于矩阵分解的单类协同过滤算法及其改进 | 第26-32页 |
| 3.1 单类协同过滤问题 | 第26页 |
| 3.2 改进的单类协同过滤推荐算法 | 第26-29页 |
| 3.2.1 基于物品相似度的正样本选择方法 | 第27-28页 |
| 3.2.2 基于用户活跃度的负样本选择方法及其改进 | 第28-29页 |
| 3.3 实验结果与分析 | 第29-31页 |
| 3.4 本章小结 | 第31-32页 |
| 4 基于稀疏概率矩阵分解的推荐算法 | 第32-48页 |
| 4.1 概率矩阵分解 | 第32-33页 |
| 4.2 贝叶斯概率矩阵分解 | 第33-37页 |
| 4.2.1 贝叶斯概率矩阵分解模型 | 第34-35页 |
| 4.2.2 概率推导过程 | 第35-37页 |
| 4.3 稀疏概率矩阵分解 | 第37-46页 |
| 4.3.1 拉普拉斯分布 | 第37-38页 |
| 4.3.2 稀疏概率矩阵分解模型 | 第38-39页 |
| 4.3.3 概率推导过程 | 第39-41页 |
| 4.3.4 并行化实现方法 | 第41-42页 |
| 4.3.5 实验结果与分析 | 第42-46页 |
| 4.4 本章小结 | 第46-48页 |
| 5 并行化L1则矩阵分解推荐算法 | 第48-59页 |
| 5.1 L1正则矩阵分解模型 | 第48-49页 |
| 5.2 L1正则矩阵分解推荐算法 | 第49-55页 |
| 5.2.1 L-BFGS算法 | 第49-52页 |
| 5.2.2 OWL-QN算法 | 第52-54页 |
| 5.2.3 L1正则矩阵分解推荐算法 | 第54-55页 |
| 5.3 并行化L1正则矩阵分解推荐算法 | 第55-58页 |
| 5.3.1 VL-BFGS算法 | 第55-57页 |
| 5.3.2 并行化L1正则矩阵分解推荐算法 | 第57-58页 |
| 5.4 本章小结 | 第58-59页 |
| 6 结论和展望 | 第59-62页 |
| 6.1 研究内容总结 | 第59-60页 |
| 6.2 对未来工作展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第66-68页 |
| 学位论文数据集 | 第68页 |