| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 本论文研究的目的和意义 | 第9-10页 |
| 1.2 国内外研究现状及发展趋势 | 第10-12页 |
| 1.2.1 国内外研究现状 | 第10-11页 |
| 1.2.2 研究趋势 | 第11-12页 |
| 1.3 本论文的工作 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 第2章 推荐系统技术综述 | 第15-23页 |
| 2.1 基于内容过滤的推荐算法 | 第15-16页 |
| 2.2 基于协同过滤的推荐算法 | 第16-20页 |
| 2.2.1 基于近邻的方法 | 第17-18页 |
| 2.2.2 隐语义模型 | 第18-20页 |
| 2.3 推荐任务及评测指标 | 第20-23页 |
| 2.3.1 评分预测 | 第21页 |
| 2.3.2 Top-k推荐 | 第21-23页 |
| 第3章 基于用户评分和评论画像的贝叶斯推荐模型 | 第23-37页 |
| 3.1 背景知识 | 第23页 |
| 3.2 问题定义 | 第23-25页 |
| 3.2.1 Latent Dirichlet Allocation | 第24-25页 |
| 3.3 URP模型 | 第25-26页 |
| 3.4 URRP模型 | 第26-27页 |
| 3.5 参数估计 | 第27-31页 |
| 3.6 评分预测 | 第31-32页 |
| 3.7 实验研究 | 第32-35页 |
| 3.7.1 数据集 | 第32页 |
| 3.7.2 对比算法和评价指标 | 第32页 |
| 3.7.3 实验安装 | 第32-33页 |
| 3.7.4 实验结果分析 | 第33-34页 |
| 3.7.5 话题剖析 | 第34-35页 |
| 3.8 本章小结 | 第35-37页 |
| 第4章 基于集合因式分解的动态话题感知推荐模型 | 第37-51页 |
| 4.1 动态话题感知的推荐算法 | 第37-40页 |
| 4.1.1 动态推荐算法 | 第37-39页 |
| 4.1.2 引入话题模型 | 第39-40页 |
| 4.2 参数估计 | 第40-42页 |
| 4.3 实验研究 | 第42-49页 |
| 4.3.1 实验数据集 | 第42-43页 |
| 4.3.2 评价指标 | 第43-44页 |
| 4.3.3 对比方法 | 第44-45页 |
| 4.3.4 实验安装 | 第45-46页 |
| 4.3.5 实验结果分析 | 第46-48页 |
| 4.3.6 参数学习 | 第48-49页 |
| 4.4 本章小结 | 第49-51页 |
| 结论 | 第51-53页 |
| 参考文献 | 第53-59页 |
| 攻读学位期间发表论文与研究成果清单 | 第59-61页 |
| 攻读学位期间参与的项目 | 第61-63页 |
| 致谢 | 第63-64页 |