| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究的背景与意义 | 第9-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.2.1 传统推荐系统的现状 | 第10-12页 |
| 1.2.2 神经网络推荐系统的现状 | 第12-13页 |
| 1.3 本文主要工作 | 第13-14页 |
| 1.4 本文结构 | 第14-15页 |
| 第二章 相关技术与基础理论综述 | 第15-23页 |
| 2.1 推荐技术 | 第15-19页 |
| 2.1.1 协同过滤的推荐 | 第15-18页 |
| 2.1.2 基于内容的推荐 | 第18-19页 |
| 2.1.3 混合的推荐 | 第19页 |
| 2.2 人工神经网络 | 第19-22页 |
| 2.2.1 激活函数 | 第20-21页 |
| 2.2.2 梯度下降 | 第21-22页 |
| 2.2.3 推荐系统中的神经网络 | 第22页 |
| 2.3 本章小结 | 第22-23页 |
| 第三章 一种融合时间因素的用户偏好和距离加权的聚类算法 | 第23-38页 |
| 3.1 概述 | 第23页 |
| 3.2 基础算法 | 第23-25页 |
| 3.2.1 K-Means算法 | 第23-25页 |
| 3.2.2 TF-IDF算法 | 第25页 |
| 3.3 聚类算法的改进 | 第25-32页 |
| 3.3.1 用户属性和项目属性矩阵的构建 | 第26-29页 |
| 3.3.2 用户偏好权重的计算 | 第29-30页 |
| 3.3.3 时间函数的改进 | 第30-31页 |
| 3.3.4 TF-IDF算法的改进 | 第31-32页 |
| 3.4 相似度的计算和最终的推荐 | 第32-33页 |
| 3.4.1 相似度的计算 | 第32-33页 |
| 3.4.2 最终的推荐 | 第33页 |
| 3.5 实验分析 | 第33-37页 |
| 3.5.1 数据集介绍 | 第33页 |
| 3.5.2 评价指标 | 第33-34页 |
| 3.5.3 对比算法 | 第34页 |
| 3.5.4 实验结果的比较与分析 | 第34-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第四章 基于CNN和 BP神经网络融合的技术 | 第38-52页 |
| 4.1 概述 | 第38页 |
| 4.2 基础神经网络 | 第38-40页 |
| 4.2.1 CNN算法 | 第38-40页 |
| 4.2.2 BP算法 | 第40页 |
| 4.3 基于CNN-BP模型的评分预测 | 第40-47页 |
| 4.3.1 利用CNN来获取原始概率 | 第41-45页 |
| 4.3.2 利用BP来获取最终概率 | 第45-47页 |
| 4.4 实验分析 | 第47-51页 |
| 4.4.1 数据集选择 | 第47页 |
| 4.4.2 评价指标 | 第47-48页 |
| 4.4.3 基准算法 | 第48-49页 |
| 4.4.4 实验结果的比较与分析 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 总结 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 发表论文和科研情况说明 | 第57-58页 |
| 致谢 | 第58页 |