| 摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 符号说明 | 第14-15页 |
| 第1章 绪论 | 第15-22页 |
| 1.1 课题背景 | 第15-17页 |
| 1.2 国内外研究现状 | 第17-18页 |
| 1.3 论文的主要内容和创新之处 | 第18-20页 |
| 1.3.1 本论文主要内容 | 第18-20页 |
| 1.3.2 本论文创新之处 | 第20页 |
| 1.4 论文结构安排 | 第20-21页 |
| 1.5 本章小节 | 第21-22页 |
| 第2章 异构信息网络和推荐系统研究及相关理论方法 | 第22-38页 |
| 2.1 异构信息网络相关理论知识 | 第22-28页 |
| 2.1.1 异构信息网络 | 第22-24页 |
| 2.1.2 网络模式 | 第24-25页 |
| 2.1.3 元路径 | 第25-28页 |
| 2.2 本论文相关的推荐算法基础理论 | 第28-33页 |
| 2.2.1 推荐算法分类 | 第28-29页 |
| 2.2.2 概率矩阵分解 | 第29-30页 |
| 2.2.3 推荐算法的评价指标 | 第30-33页 |
| 2.3 网络表示学习技术的基础理论 | 第33-36页 |
| 2.3.1 网络表示学习 | 第33-34页 |
| 2.3.2 网络表示学习分类及代表性算法的原理 | 第34-36页 |
| 2.4 本章小节 | 第36-38页 |
| 第3章 基于异构信息融合的混合推荐方法架构 | 第38-43页 |
| 3.1 算法总体框架和平台 | 第38-40页 |
| 3.1.1 算法总体框架 | 第38-39页 |
| 3.1.2 本文提出的算法的优势 | 第39页 |
| 3.1.3 平台和编程实现语言 | 第39-40页 |
| 3.2 融合异构信息构建用户间和电影间相似度矩阵 | 第40-41页 |
| 3.2.1 异构信息网络中节点特征学习方法 | 第40页 |
| 3.2.2 异构信息融合进行网络中节点特征表示的主要流程 | 第40-41页 |
| 3.3 贝叶斯深度学习方法得用户和电影的潜在低维特征表示 | 第41页 |
| 3.3.1 本论文中使用的贝叶斯深度学习方法 | 第41页 |
| 3.3.2 用户和电影的潜在低维特征表示的求取流程 | 第41页 |
| 3.4 结构融合进行用户评分预测 | 第41-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 异构信息网络表示学习 | 第43-55页 |
| 4.1 本论文所用数据集介绍及分析 | 第43-45页 |
| 4.1.1 扩展MovieLens数据集 | 第43-44页 |
| 4.1.2 数据集稀疏性分析 | 第44-45页 |
| 4.2 扩展MovieLens数据集对应的异构信息网络构造及分析 | 第45-50页 |
| 4.2.1 构造异构信息网络 | 第45-48页 |
| 4.2.2 异构信息网络分析 | 第48-50页 |
| 4.3 异构信息网络中节点特征表示学习 | 第50-53页 |
| 4.3.1 提取6条最具代表性的元路径 | 第50-51页 |
| 4.3.2 HIN中节点基于不同元路径的相似度计算 | 第51-53页 |
| 4.3.3 HIN中节点的特征表示 | 第53页 |
| 4.4 本章小节 | 第53-55页 |
| 第5章 贝叶斯深度学习网络学习低维特征并预测用户评分 | 第55-65页 |
| 5.1 贝叶斯深度学习得到HIN中节点最终的低维特征表示 | 第55-58页 |
| 5.1.1 栈式去噪自编码器 | 第55-56页 |
| 5.1.2 贝叶斯栈式去噪自编码器 | 第56-57页 |
| 5.1.3 异构信息嵌入 | 第57-58页 |
| 5.2 目标函数建立与参数学习 | 第58-59页 |
| 5.3 结果融合与评分预测 | 第59-60页 |
| 5.4 实验结果及分析 | 第60-64页 |
| 5.4.1 实验环境和参数设置 | 第60-61页 |
| 5.4.2 基准对照推荐算法选取 | 第61-62页 |
| 5.4.3 实验结果分析 | 第62-63页 |
| 5.4.4 本文所提算法在推荐结果方面的优势 | 第63-64页 |
| 5.5 本章小结 | 第64-65页 |
| 第6章 总结和展望 | 第65-67页 |
| 6.1 论文工作总结 | 第65-66页 |
| 6.2 工作展望 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 致谢 | 第73-74页 |
| 攻读硕士期间取得的成果和参与的项目 | 第74-75页 |
| 学位论文评阅及笞辩情况表 | 第75页 |
