| 中文摘要 | 第2-3页 |
| Abstract | 第3页 |
| 中文文摘 | 第5-10页 |
| 第一章 绪论 | 第10-16页 |
| 第一节 研究背景与意义 | 第10-11页 |
| 第二节 推荐算法的研究现状 | 第11-13页 |
| 第三节 论文的主要内容及结构安排 | 第13-16页 |
| 1.3.1 论文的主要内容及结构安排 | 第13-14页 |
| 1.3.2 论文的创新点 | 第14-16页 |
| 第二章 推荐算法的相关理论 | 第16-24页 |
| 第一节 个性化推荐系统概述 | 第16页 |
| 第二节 常用的个性化推荐算法 | 第16-22页 |
| 2.2.1 协同过滤推荐算法 | 第16-19页 |
| 2.2.2 基于内容的推荐算法 | 第19-20页 |
| 2.2.3 基于网络结构的推荐算法 | 第20-21页 |
| 2.2.4 基于矩阵分解的推荐算法 | 第21-22页 |
| 第三节 推荐算法性能评价 | 第22-24页 |
| 2.3.1 实验数据集 | 第22页 |
| 2.3.2 性能评价指标 | 第22-24页 |
| 第三章 一种基于有向图分割的推荐算法 | 第24-34页 |
| 第一节 引言 | 第24页 |
| 第二节 算法的基本定义 | 第24-28页 |
| 3.2.1 利用资源分配的方法建立物品有向图 | 第24-26页 |
| 3.2.2 分割有向图的非对称非负矩阵分解方法 | 第26-28页 |
| 第三节 一种基于有向图分割的推荐算法 | 第28-29页 |
| 3.3.1 算法描述 | 第28-29页 |
| 3.3.2 计算复杂度分析 | 第29页 |
| 第四节 实验结果与分析 | 第29-33页 |
| 3.4.1 参数设置 | 第29-31页 |
| 3.4.2 对比实验 | 第31-33页 |
| 第五节 本章小结 | 第33-34页 |
| 第四章 一种基于联合非负矩阵分解的协同过滤推荐算法 | 第34-46页 |
| 第一节 引言 | 第34页 |
| 第二节 算法的基本定义 | 第34-36页 |
| 4.2.1 关联预测评分矩阵与用户相似矩阵 | 第34-35页 |
| 4.2.2 关联预测评分矩阵与物品相似矩阵 | 第35-36页 |
| 第三节 一种基于联合矩阵分解的协同过滤推荐算法 | 第36-41页 |
| 4.3.1 算法模型构建 | 第36-39页 |
| 4.3.2 算法具体描述 | 第39-41页 |
| 4.3.3 算法复杂度分析 | 第41页 |
| 第四节 实验结果与分析 | 第41-44页 |
| 4.4.1 算法收敛性实验 | 第41-42页 |
| 4.4.2 参数设置 | 第42-43页 |
| 4.4.3 对比实验 | 第43-44页 |
| 第五节 本章小结 | 第44-46页 |
| 第五章 一种解决数据稀疏问题的推荐算法 | 第46-56页 |
| 第一节 引言 | 第46页 |
| 第二节 算法的基本定义 | 第46-48页 |
| 5.2.1 相似度计算的改进 | 第46-47页 |
| 5.2.2 引入Hadamard乘积解决数据稀疏问题 | 第47-48页 |
| 第三节 一种解决数据稀疏问题的推荐算法 | 第48-51页 |
| 5.3.1 算法模型构建 | 第48-50页 |
| 5.3.2 算法具体描述 | 第50页 |
| 5.3.3 算法复杂度分析 | 第50-51页 |
| 第四节 实验结果与分析 | 第51-54页 |
| 5.4.1 算法参数设置 | 第51-53页 |
| 5.4.2 对比实验 | 第53-54页 |
| 第五节 本章小结 | 第54-56页 |
| 第六章 结论 | 第56-58页 |
| 第一节 本文工作的总结 | 第56-57页 |
| 第二节 今后工作展望 | 第57-58页 |
| 附录 | 第58-60页 |
| 参考文献 | 第60-66页 |
| 攻读学位期间承担的科研任务与主要成果 | 第66-68页 |
| 致谢 | 第68-70页 |
| 个人简历 | 第70-74页 |