| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文主要研究内容 | 第12-13页 |
| 1.4 本文组织结构 | 第13-14页 |
| 2 个性化推荐系统的相关基础介绍 | 第14-26页 |
| 2.1 个性+化推荐系统概述 | 第14-15页 |
| 2.2 个性化推荐算法介绍 | 第15-18页 |
| 2.2.1 基于内容的推荐算法 | 第15-16页 |
| 2.2.2 基于关联规则的推荐算法 | 第16页 |
| 2.2.3 基于协同过滤的推荐算法 | 第16-18页 |
| 2.2.4 混合推荐算法 | 第18页 |
| 2.3 推荐系统常见问题 | 第18-20页 |
| 2.3.1 数据稀疏性 | 第18-19页 |
| 2.3.2 冷启动 | 第19-20页 |
| 2.3.3 精确性与个性化两难全 | 第20页 |
| 2.3.4 算法扩展性 | 第20页 |
| 2.4 推荐系统评估标准及算法 | 第20-25页 |
| 2.4.1 评估标准 | 第21-22页 |
| 2.4.2 优化算法 | 第22-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 矩阵分解模型及改进 | 第26-42页 |
| 3.1 矩阵分解模型简介 | 第26-32页 |
| 3.1.1 奇异值分解模型 | 第26-28页 |
| 3.1.2 基础矩阵分解模型 | 第28-30页 |
| 3.1.3 含正则项的矩阵分解模型 | 第30页 |
| 3.1.4 含偏置因子的矩阵分解模型 | 第30-32页 |
| 3.2 基于时间偏置的矩阵分解改进算法 | 第32-35页 |
| 3.2.1 基于时间偏置的矩阵分解时间偏置项定义 | 第32-33页 |
| 3.2.2 基于时间偏置的矩阵分解模型定义 | 第33-34页 |
| 3.2.3 模型训练 | 第34-35页 |
| 3.3 实验对比分析 | 第35-40页 |
| 3.3.1 实验数据 | 第35-36页 |
| 3.3.2 实验方案和参数设置 | 第36-37页 |
| 3.3.3 实验结果及分析 | 第37-40页 |
| 3.4 本章小结 | 第40-42页 |
| 4 概率矩阵分解模型及改进 | 第42-58页 |
| 4.1 概率矩阵分解模型简介 | 第42-49页 |
| 4.1.1 概率矩阵分解模型 | 第42-45页 |
| 4.1.2 基于马尔科夫链蒙特卡洛吉布斯采样的贝叶斯概率矩阵分解模型 | 第45-49页 |
| 4.2 基于用户属性的概率矩阵分解改进算法 | 第49-52页 |
| 4.2.1 基于用户属性的概率矩阵分解限制项定义 | 第49-50页 |
| 4.2.2 基于用户属性的概率矩阵分解模型定义 | 第50-51页 |
| 4.2.3 模型训练 | 第51-52页 |
| 4.3 实验对比分析 | 第52-56页 |
| 4.3.1 实验数据 | 第52页 |
| 4.3.2 实验方案和参数设置 | 第52-53页 |
| 4.3.3 实验结果及分析 | 第53-56页 |
| 4.4 本章小结 | 第56-58页 |
| 5 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58页 |
| 5.2 展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-66页 |