| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究工作的背景与意义 | 第9-10页 |
| 1.2 研究现状及分析 | 第10-11页 |
| 1.3 本文的主要贡献与创新 | 第11-13页 |
| 1.4 本论文的结构安排 | 第13-14页 |
| 第二章 协同过滤推荐系统及相关技术 | 第14-32页 |
| 2.1 协同过滤推荐系统 | 第14-15页 |
| 2.2 协同过滤推荐系统算法分类 | 第15-20页 |
| 2.2.1 基于内存的协同过滤 | 第15-20页 |
| 2.3 基于矩阵分解的协同过滤 | 第20-27页 |
| 2.3.1 隐语义模型 | 第20-21页 |
| 2.3.2 基本矩阵分解模型 | 第21-22页 |
| 2.3.3 规范化的奇异值分解FUNK-SVD | 第22-23页 |
| 2.3.4 加入偏置项的奇异值分解BIASED-SVD | 第23-25页 |
| 2.3.5 融入邻域信息的SVD++ | 第25-26页 |
| 2.3.6 加入时间信息的TimeSVD++ | 第26-27页 |
| 2.4 协同过滤推荐算法面临的问题 | 第27-28页 |
| 2.5 推荐系统性能的评价指标 | 第28-31页 |
| 2.5.1 预测准确度 | 第29页 |
| 2.5.2 分类准确度 | 第29-30页 |
| 2.5.3 其他评估标准 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 隐因子模型中线性偏差对高维稀疏矩阵影响研究 | 第32-50页 |
| 3.1 引言 | 第32-33页 |
| 3.2 基于隐因子模型的线性偏差 | 第33页 |
| 3.3 隐因子模型和TLB、PLB偏差 | 第33-34页 |
| 3.4 先验偏差PLB | 第34-37页 |
| 3.5 训练偏差TLB | 第37-39页 |
| 3.6 实验与分析 | 第39-48页 |
| 3.6.1 评价指标 | 第39-40页 |
| 3.6.2 实验数据 | 第40页 |
| 3.6.3 实验结果与分析 | 第40-42页 |
| 3.6.4 实验结论 | 第42-48页 |
| 3.7 本章小结 | 第48-50页 |
| 第四章 基于时间漂移的改进BIAS矩阵隐因子算法 | 第50-70页 |
| 4.1 引言 | 第50-51页 |
| 4.2 基于时间动态的矩阵分解概述 | 第51-53页 |
| 4.2.1 基础LFM时间模型 | 第51-52页 |
| 4.2.2 用户评价的记忆性 | 第52-53页 |
| 4.3 关于时间动态bias的几点改进 | 第53-61页 |
| 4.3.1 用户短期偏置的改进 | 第53-54页 |
| 4.3.2 用户长期漂移模型改进 | 第54-56页 |
| 4.3.3 用户漂移的记忆效应 | 第56页 |
| 4.3.4 基于用户评价记忆效应的bias改进 | 第56-58页 |
| 4.3.5 算法设计 | 第58-61页 |
| 4.4 实验与分析 | 第61-69页 |
| 4.4.1 实验设计 | 第61页 |
| 4.4.2 实验数据 | 第61-62页 |
| 4.4.3 实验结果与分析 | 第62-69页 |
| 4.5 本章小结 | 第69-70页 |
| 第五章 全文总结与展望 | 第70-72页 |
| 5.1 全文总结 | 第70-71页 |
| 5.2 后续工作展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 攻读硕士学位期间取得的成果 | 第78-79页 |