| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 本文主要贡献与创新 | 第15-16页 |
| 1.4 本文的结构安排 | 第16-18页 |
| 第二章 推荐系统的发展与概述 | 第18-32页 |
| 2.1 引言 | 第18页 |
| 2.2 推荐系统的概述 | 第18-25页 |
| 2.2.1 推荐系统的定义 | 第18-19页 |
| 2.2.2 推荐系统的任务和目标 | 第19-21页 |
| 2.2.3 推荐算法的分类 | 第21-25页 |
| 2.2.3.1 基于内容的推荐算法 | 第22-23页 |
| 2.2.3.2 基于知识库的推荐算法 | 第23页 |
| 2.2.3.3 基于人口统计学的推荐算法 | 第23-24页 |
| 2.2.3.4 协同过滤算法 | 第24-25页 |
| 2.3 推荐系统中的可用信息 | 第25-28页 |
| 2.3.1 评分信息 | 第25-27页 |
| 2.3.2 辅助信息 | 第27-28页 |
| 2.4 推荐算法的评测 | 第28-30页 |
| 2.4.1 在线评测 | 第28-29页 |
| 2.4.2 离线评测 | 第29-30页 |
| 2.4.3 常用数据集 | 第30页 |
| 2.5 本章小结 | 第30-32页 |
| 第三章 基于矩阵分解的推荐算法的研究 | 第32-46页 |
| 3.1 引言 | 第32页 |
| 3.2 矩阵分解模型的分类与应用 | 第32-41页 |
| 3.2.1 基本矩阵分解 | 第33-36页 |
| 3.2.2 非负矩阵分解 | 第36-37页 |
| 3.2.3 概率矩阵分解 | 第37-39页 |
| 3.2.4 奇异值矩阵分解 | 第39-41页 |
| 3.3 矩阵分解模型的对比实验 | 第41-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 一种结合多辅助信息的负样本提取算法 | 第46-69页 |
| 4.1 引言 | 第46-47页 |
| 4.2 流行度、用户关系、电影评论介绍与分析 | 第47-50页 |
| 4.2.1 物品流行度 | 第47页 |
| 4.2.2 用户关注关系 | 第47-49页 |
| 4.2.3 用户评论 | 第49-50页 |
| 4.3 结合多辅助信息的负样本提取算法 | 第50-59页 |
| 4.3.1 算法思想与设计 | 第50-56页 |
| 4.3.1.1 利用电影流行度提取负样本的算法设计 | 第50-52页 |
| 4.3.1.2 利用关注关系提取负样本的算法设计 | 第52-54页 |
| 4.3.1.3 利用评论提取负样本的算法设计 | 第54-56页 |
| 4.3.2 算法使用的技术简介 | 第56-59页 |
| 4.3.2.1 LDA主题提取技术 | 第56-58页 |
| 4.3.2.2 逻辑回归与求解 | 第58-59页 |
| 4.4 实验设计与结果分析 | 第59-67页 |
| 4.4.1 数据集介绍与处理 | 第59-61页 |
| 4.4.2 实验设计 | 第61-62页 |
| 4.4.3 实验结果与分析 | 第62-67页 |
| 4.4.3.1 LDA中主题数目的确定 | 第62-63页 |
| 4.4.3.2 负样本提取算法有效性验证 | 第63-64页 |
| 4.4.3.3 加权值对提取算法的影响 | 第64-66页 |
| 4.4.3.4 隐含因子数对推荐结果的影响 | 第66-67页 |
| 4.5 本章小结 | 第67-69页 |
| 第五章 矩阵分解与深度学习结合的推荐算法 | 第69-94页 |
| 5.1 引言 | 第69-70页 |
| 5.2 神经网络与深度学习 | 第70-75页 |
| 5.2.1 神经网络 | 第70页 |
| 5.2.2 多层网络与误差逆传播算法 | 第70-73页 |
| 5.2.3 深度学习 | 第73-74页 |
| 5.2.4 卷积神经网络 | 第74-75页 |
| 5.3 融合深度学习的矩阵分解推荐算法 | 第75-82页 |
| 5.3.1 算法思想 | 第75-80页 |
| 5.3.1.1 DLPMF算法概率模型部分 | 第76-77页 |
| 5.3.1.2 DLPMF算法神经网络部分 | 第77-80页 |
| 5.3.2 模型求解 | 第80-82页 |
| 5.4 实验设计与结果分析 | 第82-93页 |
| 5.4.1 数据集介绍与处理 | 第82-85页 |
| 5.4.1.1 数据集爬取过程 | 第82-84页 |
| 5.4.1.2 数据预处理 | 第84-85页 |
| 5.4.2 实验设计 | 第85-86页 |
| 5.4.3 实验结果与分析 | 第86-93页 |
| 5.4.3.1 Word Embedding结果的验证 | 第86-88页 |
| 5.4.3.2 DLPMF算法性能验证 | 第88-89页 |
| 5.4.3.3 正则化项对算法的影响 | 第89-90页 |
| 5.4.3.4 矩阵隐含因子数与词向量维度对算法的影响 | 第90-93页 |
| 5.5 本章小结 | 第93-94页 |
| 第六章 全文总结 | 第94-95页 |
| 致谢 | 第95-96页 |
| 参考文献 | 第96-100页 |
| 攻读硕士学位期间取得的成果 | 第100-101页 |
