| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第1章 绪论 | 第9-19页 |
| ·课题背景 | 第9-12页 |
| ·国内外研究现状 | 第12-17页 |
| ·产品评论挖掘 | 第12-14页 |
| ·协同过滤推荐算法 | 第14-16页 |
| ·主题模型在推荐算法上的应用 | 第16-17页 |
| ·本文主要工作 | 第17-18页 |
| ·本文的组织结构 | 第18-19页 |
| 第2章 主题模型和协同过滤算法综述 | 第19-36页 |
| ·主题模型 | 第19-24页 |
| ·Latent Dirichlet Allocation模型 | 第20-22页 |
| ·Sentence Latent Dirichlet Allocation模型 | 第22-23页 |
| ·Aspect and Sentiment Unification Model模型 | 第23-24页 |
| ·传统协同过滤推荐算法 | 第24-35页 |
| ·基于用户的协同过滤算法 | 第25-29页 |
| ·基于产品的协同过滤算法 | 第29-33页 |
| ·SlopeOne协同过滤算法 | 第33页 |
| ·协同过滤推荐算法的瓶颈 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 第3章 基于主题模型的协同过滤推荐系统 | 第36-50页 |
| ·符号定义 | 第36-37页 |
| ·基于主题模型的协同过滤推荐系统 | 第37-39页 |
| ·评论主题概率分布 | 第39-40页 |
| ·基于主题模型和用户的协同过滤算法 | 第40-45页 |
| ·用户主题概率分布 | 第41-42页 |
| ·用户最重视特征 | 第42-43页 |
| ·用户相似度 | 第43-44页 |
| ·评分预测 | 第44-45页 |
| ·基于主题模型和产品的协同过滤算法 | 第45-48页 |
| ·产品主题概率分布 | 第45-46页 |
| ·产品最重视特征 | 第46-47页 |
| ·产品相似度 | 第47-48页 |
| ·评分预测 | 第48页 |
| ·本章小结 | 第48-50页 |
| 第4章 实验与分析 | 第50-74页 |
| ·数据集 | 第50-52页 |
| ·评价标准 | 第52-53页 |
| ·平均绝对误差方法 | 第52-53页 |
| ·准确率召回率方法 | 第53页 |
| ·对比实验 | 第53-72页 |
| ·本文算法和传统协同过滤算法的比较 | 第54-65页 |
| ·CFIP和UCFTM、ICFTM的比较 | 第65-67页 |
| ·ULCF和UCFTM、ICFTM的比较 | 第67-71页 |
| ·所有七个算法的比较 | 第71-72页 |
| ·本章小结 | 第72-74页 |
| 第5章 总结与展望 | 第74-77页 |
| ·本文总结 | 第74-75页 |
| ·未来工作展望 | 第75-77页 |
| 参考文献 | 第77-82页 |
| 攻读硕士学位期间主要的研究成果 | 第82-83页 |
| 致谢 | 第83页 |
