| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-13页 |
| 1.1.1 研究背景 | 第10-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 国外研究现状 | 第13-15页 |
| 1.2.2 国内研究现状 | 第15-16页 |
| 1.3 本文的研究内容 | 第16-18页 |
| 1.3.1 本文的主要工作 | 第16-17页 |
| 1.3.2 本文的组织结构 | 第17-18页 |
| 第2章 推荐系统及协同过滤算法综述 | 第18-32页 |
| 2.1 推荐系统的基本概念 | 第18-20页 |
| 2.2 推荐系统的评价标准 | 第20-22页 |
| 2.3 推荐系统的主要方法 | 第22-24页 |
| 2.4 协同过滤推荐系统中的关键算法 | 第24-31页 |
| 2.4.1 基本模型 | 第24-28页 |
| 2.4.2 基于隐式反馈的推荐算法 | 第28-29页 |
| 2.4.3 基于异构数据的推荐算法 | 第29-30页 |
| 2.4.4 协同过滤推荐算法面临的问题 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 基于显式反馈与隐式反馈相结合的协同过滤算法 | 第32-50页 |
| 3.1 概述 | 第32-33页 |
| 3.2 Factorization Machine(FM) | 第33-35页 |
| 3.3 基于压缩知识迁移的Factorization Machine算法 | 第35-39页 |
| 3.3.1 压缩知识挖掘 | 第35-36页 |
| 3.3.2 压缩知识整合 | 第36-38页 |
| 3.3.3 完整的算法 | 第38-39页 |
| 3.4 实验结果 | 第39-46页 |
| 3.4.1 数据集 | 第39-40页 |
| 3.4.2 评价指标和参数设置 | 第40-42页 |
| 3.4.3 实验结果总结 | 第42-46页 |
| 3.5 相关工作 | 第46-48页 |
| 3.6 本章小结 | 第48-50页 |
| 第4章 基于多种隐式反馈的协同过滤算法 | 第50-68页 |
| 4.1 概述 | 第50-51页 |
| 4.2 Bayesian Personalized Ranking(BPR)算法 | 第51-53页 |
| 4.3 基于多种隐式反馈的自适应BPR算法 | 第53-59页 |
| 4.3.1 优化函数 | 第53-55页 |
| 4.3.2 算法步骤一：学习(?) | 第55-56页 |
| 4.3.3 算法步骤二：更新c_(uij) | 第56-58页 |
| 4.3.4 完整的算法过程 | 第58-59页 |
| 4.4 实验结果 | 第59-66页 |
| 4.4.1 数据集 | 第59页 |
| 4.4.2 评价指标和参数设置 | 第59-62页 |
| 4.4.3 实验结果总结 | 第62-66页 |
| 4.5 相关工作 | 第66-67页 |
| 4.6 本章小结 | 第67-68页 |
| 第5章 总结与展望 | 第68-70页 |
| 5.1 本文工作总结 | 第68页 |
| 5.2 未来工作展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间主要的研究成果 | 第74-75页 |
| 致谢 | 第75页 |
