| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国外研究现状 | 第9-10页 |
| 1.3 国内研究进展 | 第10-12页 |
| 1.4 论文的工作安排 | 第12-14页 |
| 第2章 协同过滤和迁移学习的基础研究 | 第14-24页 |
| 2.1 传统的协同过滤推荐算法 | 第14-16页 |
| 2.1.1 基本注记及定义 | 第15页 |
| 2.1.2 相似度的计算方法 | 第15-16页 |
| 2.1.3 推荐产生 | 第16页 |
| 2.2 矩阵分解的协同过滤推荐算法 | 第16-18页 |
| 2.3 协同过滤技术面临的挑战 | 第18-19页 |
| 2.4 现有的迁移学习推荐算法 | 第19-21页 |
| 2.4.1 迁移学习概述 | 第19-20页 |
| 2.4.2 迁移学习的推荐算法 | 第20-21页 |
| 2.5 推荐系统的评价 | 第21-22页 |
| 2.5.1 评价指标 | 第21-22页 |
| 2.5.2 实验数据集 | 第22页 |
| 2.6 本章小结 | 第22-24页 |
| 第3章 基于用户兴趣相似度迁移的协同过滤推荐算法 | 第24-36页 |
| 3.1 问题的提出 | 第24-25页 |
| 3.2 UST 模型的介绍 | 第25-26页 |
| 3.3 辅助领域的学习任务 | 第26-29页 |
| 3.3.1 缺失矩阵的填充 | 第26-29页 |
| 3.3.2 辅助领域用户兴趣相似度的学习 | 第29页 |
| 3.4 目标领域的学习任务 | 第29-31页 |
| 3.4.1 平衡参数α的确定 | 第29-30页 |
| 3.4.2 目标领域用户兴趣相似度的学习 | 第30-31页 |
| 3.5 UST-CF 算法的具体描述 | 第31页 |
| 3.6 实验和结果分析 | 第31-35页 |
| 3.6.1 实验及其比较算法 | 第31-32页 |
| 3.6.2 参数设定 | 第32页 |
| 3.6.3 实验方案和结果分析 | 第32-35页 |
| 3.7 本章小结 | 第35-36页 |
| 第4章 基于用户特征迁移的协同过滤推荐算法 | 第36-48页 |
| 4.1 问题的基本定义 | 第36页 |
| 4.2 TUF 模型的介绍 | 第36-38页 |
| 4.3 SOFT-IMPUTE 算法提取辅助领域的用户特征 | 第38-39页 |
| 4.4 基于 Wiberg 算法的 TUF 模型求解方法 | 第39-43页 |
| 4.4.1 Wiberg 算法的公式推导 | 第40-42页 |
| 4.4.2 算法描述及复杂度分析 | 第42-43页 |
| 4.5 实验与结果分析 | 第43-47页 |
| 4.5.1 实验数据集 | 第43-44页 |
| 4.5.2 对比算法和参数设置 | 第44页 |
| 4.5.3 实验结果 | 第44-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第5章 用户特征子空间迁移的协同过滤推荐算法 | 第48-60页 |
| 5.1 问题的提出 | 第48-49页 |
| 5.2 FST 模型的介绍 | 第49-51页 |
| 5.2.1 构造辅助领域的用户特征 | 第49页 |
| 5.2.2 用户特征子空间迁移的协同过滤模型 | 第49-51页 |
| 5.3 FST 模型的求解算法 | 第51-55页 |
| 5.4 算法复杂度分析 | 第55-56页 |
| 5.5 实验和结果分析 | 第56-59页 |
| 5.5.1 实验数据集 | 第56-57页 |
| 5.5.2 对比算法和参数设置 | 第57-58页 |
| 5.5.3 实验结果分析 | 第58-59页 |
| 5.6 本章小结 | 第59-60页 |
| 第6章 总结与展望 | 第60-62页 |
| 6.1 本文的主要内容 | 第60页 |
| 6.2 本文的主要创新点 | 第60-61页 |
| 6.3 进一步的工作 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-68页 |
| 个人简历、在学期间发表的学术论文及研究成果 | 第68页 |