基于增量SVD和RBM推荐系统的关键技术和实现策略
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 缩略语对照表 | 第10-13页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 推荐系统介绍 | 第13页 |
| 1.2 推荐系统的评价 | 第13-18页 |
| 1.2.1 用户喜好 | 第13-14页 |
| 1.2.2 准确率 | 第14-17页 |
| 1.2.3 覆盖率 | 第17-18页 |
| 1.2.4 信任度 | 第18页 |
| 1.3 推荐系统的发展 | 第18-19页 |
| 1.4 推荐系统存在的挑战 | 第19-21页 |
| 第二章 典型推荐技术数据处理基础 | 第21-31页 |
| 2.1 数据预处理基础 | 第21-23页 |
| 2.1.1 抽样 | 第21-22页 |
| 2.1.2 去噪 | 第22页 |
| 2.1.3 降维 | 第22-23页 |
| 2.2 相似性度量 | 第23-24页 |
| 2.3 传统的推荐技术 | 第24-25页 |
| 2.4 基于邻域模型的推荐系统 | 第25-28页 |
| 2.5 基于矩阵分解模型（SVD）的推荐模型 | 第28-31页 |
| 第三章 基于增量SVD的推荐系统 | 第31-37页 |
| 3.1 增量SVD提出 | 第31-32页 |
| 3.2 增量SVD算法 | 第32-33页 |
| 3.3 实验方法和过程 | 第33-34页 |
| 3.4 实验结果及分析 | 第34-37页 |
| 第四章 基于二分网络映射的推荐系统 | 第37-45页 |
| 4.1 二分网络映射方法 | 第38-40页 |
| 4.2 基于二分网络的个性化推荐算法 | 第40-41页 |
| 4.3 实验方法及过程 | 第41-42页 |
| 4.4 实验结果及分析 | 第42-45页 |
| 第五章 基于受限波尔兹曼机（RBM）的推荐系统 | 第45-55页 |
| 5.1 RBM用于推荐系统模型 | 第45-51页 |
| 5.2 实验方法及过程 | 第51-52页 |
| 5.3 实验结果和分析 | 第52-54页 |
| 5.4 总结 | 第54-55页 |
| 第六章 推荐系统的发展与讨论 | 第55-61页 |
| 6.1 与深度学习的结合 | 第55-57页 |
| 6.2 与大数据的结合 | 第57-58页 |
| 6.3 前景与展望 | 第58-61页 |
| 参考文献 | 第61-67页 |
| 致谢 | 第67-69页 |
| 作者简介 | 第69-70页 |
