| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 推荐系统的研究现状与趋势 | 第11-14页 |
| 1.3 研究内容 | 第14页 |
| 1.4 本文创新 | 第14-15页 |
| 1.5 结构安排 | 第15-16页 |
| 第二章 推荐系统及相关技术 | 第16-31页 |
| 2.1 推荐系统的定义 | 第16-17页 |
| 2.2 推荐系统相关算法 | 第17-27页 |
| 2.2.1 基于内容的推荐 | 第18-21页 |
| 2.2.2 基于内存的协同过滤推荐 | 第21-25页 |
| 2.2.3 基于模型的推荐算法 | 第25-26页 |
| 2.2.4 混合推荐算法 | 第26-27页 |
| 2.3 基于深度学习的推荐算法 | 第27-28页 |
| 2.4 推荐系统的评价标准 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 创业项目推荐系统的特征及推荐算法的选取 | 第31-39页 |
| 3.1 概念的界定 | 第31-32页 |
| 3.2 创业项目推荐系统的研究现状 | 第32-33页 |
| 3.3 创业项目推荐系统的数据特征 | 第33-35页 |
| 3.3.1 用户数据和行为数据 | 第34页 |
| 3.3.2 创业项目数据 | 第34-35页 |
| 3.4 创业项目推荐系统的目标和问题的定义 | 第35-36页 |
| 3.5 推荐算法的选取 | 第36-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第四章 基于深度神经网络和矩阵分解的创业项目推荐算法 | 第39-55页 |
| 4.1 推荐流程 | 第39-40页 |
| 4.2 数据处理 | 第40-43页 |
| 4.2.1 隐式反馈数据的处理 | 第40-42页 |
| 4.2.2 负样本抽样 | 第42-43页 |
| 4.3 推荐算法描述 | 第43-54页 |
| 4.3.1 深度神经网络和概率矩阵分解算法 | 第43-45页 |
| 4.3.2 创业项目隐含特征的提取 | 第45-52页 |
| 4.3.3 模型优化 | 第52-54页 |
| 4.4 推荐结果生成 | 第54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 基于多模型的创业项目推荐算法 | 第55-64页 |
| 5.1 网络结构 | 第55-56页 |
| 5.2 受限波尔茨曼机(RBM) | 第56-58页 |
| 5.3 创业项目和用户建模 | 第58-62页 |
| 5.4 模型训练和推荐结果的生成 | 第62-63页 |
| 5.5 本章小结 | 第63-64页 |
| 第六章 实验与分析 | 第64-74页 |
| 6.1 实验环境与数据集 | 第64-66页 |
| 6.1.1 实验环境 | 第64页 |
| 6.1.2 数据获取与数据处理 | 第64-66页 |
| 6.1.3 评价标准 | 第66页 |
| 6.2 数据预处理 | 第66-67页 |
| 6.3 基于深度神经网络和矩阵分解的创业项目推荐算法的实验结果 | 第67-71页 |
| 6.3.1 总体实验结果 | 第67-68页 |
| 6.3.2 加入不同数量的特征对推荐结果的影响 | 第68-70页 |
| 6.3.3 隐含特征数量和词向量的长度对推荐结果的影响 | 第70-71页 |
| 6.4 基于多模型的创业项目推荐算法的实验结果 | 第71-73页 |
| 6.4.1 总体实验结果 | 第71-72页 |
| 6.4.2 加入用户特征对推荐结果的影响 | 第72-73页 |
| 6.5 本章小结 | 第73-74页 |
| 第七章 研究总结与展望 | 第74-76页 |
| 7.1 研究内容与结论 | 第74-75页 |
| 7.2 研究展望 | 第75-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-82页 |
| 攻读硕士学位期间的研究成果 | 第82页 |
