| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 推荐的研究背景 | 第11-12页 |
| 1.2 推荐的国内外研究现状 | 第12-13页 |
| 1.3 本文主要工作 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-15页 |
| 1.5 论文中用到的符号 | 第15-16页 |
| 第2章 推荐算法综述 | 第16-23页 |
| 2.1 基于邻域的协同过滤 | 第17-19页 |
| 2.1.1 基于用户的协同过滤 | 第17-18页 |
| 2.1.2 基于物品的协同过滤 | 第18-19页 |
| 2.1.3 基于邻域的协同过滤方法的优缺点及应用场景 | 第19页 |
| 2.2 基于模型的协同过滤 | 第19-21页 |
| 2.2.1 概率矩阵分解 | 第20页 |
| 2.2.2 贝叶斯个性化排序 | 第20-21页 |
| 2.2.3 稀疏线性模型 | 第21页 |
| 2.3 本章小结 | 第21-23页 |
| 第3章 面向异构单类反馈的相似度学习算法 | 第23-37页 |
| 3.1 问题定义 | 第23页 |
| 3.2 分解物品相似度的模型 | 第23-25页 |
| 3.2.1 FISM模型 | 第23-24页 |
| 3.2.2 FISM算法的改进 | 第24-25页 |
| 3.3 基于联合相似度学习的迁移学习模型 | 第25-31页 |
| 3.3.1 异构单类反馈数据的互补性 | 第25页 |
| 3.3.2 模型公式 | 第25-27页 |
| 3.3.3 学习过程 | 第27-28页 |
| 3.3.4 算法 | 第28-31页 |
| 3.4 实验设计与结果 | 第31-36页 |
| 3.4.1 实验数据 | 第31-32页 |
| 3.4.2 实验评价标准 | 第32-33页 |
| 3.4.3 实验对比方法及参数设置 | 第33页 |
| 3.4.4 实验结果与分析 | 第33-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 面向同构单类反馈的相似度学习算法 | 第37-49页 |
| 4.1 问题定义 | 第37-38页 |
| 4.2 成对分解混合相似度的模型 | 第38-43页 |
| 4.2.1 成对的偏好假设 | 第38页 |
| 4.2.2 计算的相似度 | 第38-39页 |
| 4.2.3 学习的相似度 | 第39页 |
| 4.2.4 混合相似度的模型 | 第39-41页 |
| 4.2.5 学习过程 | 第41-42页 |
| 4.2.6 算法 | 第42-43页 |
| 4.3 实验设计与结果 | 第43-48页 |
| 4.3.1 实验数据 | 第43-44页 |
| 4.3.2 实验评价标准 | 第44页 |
| 4.3.3 实验对比方法及参数设置 | 第44-45页 |
| 4.3.4 实验结果与分析 | 第45-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 总结与展望 | 第49-51页 |
| 5.1 工作总结 | 第49页 |
| 5.2 研究展望 | 第49-51页 |
| 参考文献 | 第51-56页 |
| 致谢 | 第56-57页 |
| 攻读硕士学位期间的研究成果和科研经历 | 第57页 |