| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究现状及挑战 | 第12-15页 |
| 1.2.1 应用领域 | 第12-13页 |
| 1.2.2 研究现状 | 第13-14页 |
| 1.2.3 面临的问题 | 第14-15页 |
| 1.3 本文研究内容及意义 | 第15-17页 |
| 1.4 本文组织结构 | 第17-18页 |
| 第二章 推荐系统相关理论基础 | 第18-34页 |
| 2.1 推荐系统的输入和输出 | 第18-19页 |
| 2.2 相似度计算方法 | 第19-21页 |
| 2.3 主流的推荐算法 | 第21-27页 |
| 2.3.1 基于人口统计学数据的推荐算法 | 第21-22页 |
| 2.3.2 基于内容的推荐算法 | 第22-23页 |
| 2.3.3 基于协同过滤的推荐算法 | 第23-26页 |
| 2.3.4 混合推荐算法 | 第26-27页 |
| 2.4 基于隐式反馈数据的推荐算法 | 第27-30页 |
| 2.4.1 隐式反馈数据存在的问题 | 第28页 |
| 2.4.2 相关推荐算法 | 第28-30页 |
| 2.5 推荐系统的评估 | 第30-33页 |
| 2.5.1 评价方法 | 第30-31页 |
| 2.5.2 评价指标 | 第31-33页 |
| 2.6 本章小结 | 第33-34页 |
| 第三章 基于离散型卷积公式的伪评分构建方法 | 第34-42页 |
| 3.1 游戏推荐算法整体流程 | 第34页 |
| 3.2 游戏领域的特殊性 | 第34-36页 |
| 3.3 时间效应 | 第36页 |
| 3.4 玩家偏好伪评分模型的构建 | 第36-41页 |
| 3.4.1 艾宾浩斯遗忘规律 | 第38页 |
| 3.4.2 卷积公式 | 第38-40页 |
| 3.4.3 伪评分模型 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于伪评分的矩阵分解推荐算法 | 第42-59页 |
| 4.1 矩阵分解算法 | 第42-48页 |
| 4.1.1 梯度下降法 | 第42-44页 |
| 4.1.2 SVD模型 | 第44-46页 |
| 4.1.3 LFM模型 | 第46-48页 |
| 4.2 IF-SVD++算法 | 第48-52页 |
| 4.2.1 基线伪评分预测 | 第48-49页 |
| 4.2.2 融合潜在因子的伪评分预测 | 第49页 |
| 4.2.3 结合推荐可解释性与权重的伪评分预测 | 第49-52页 |
| 4.3 DIIF-SVD++计算效率优化 | 第52-58页 |
| 4.3.1 子矩阵分解算法 | 第52-54页 |
| 4.3.2 自适应学习率 | 第54-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 实验分析 | 第59-74页 |
| 5.1 实验数据与评估指标 | 第59页 |
| 5.2 PRP模型以及IF-SVD++算法的实验分析 | 第59-65页 |
| 5.2.1 与基于隐式反馈数据的推荐算法的对比 | 第59-61页 |
| 5.2.2 模型参数对结果的影响 | 第61-64页 |
| 5.2.3 与基于用户近邻的推荐算法的对比 | 第64-65页 |
| 5.3 优化DIIF-SVD++计算性能的实验分析 | 第65-73页 |
| 5.3.1 子矩阵分解算法的实验分析 | 第65-69页 |
| 5.3.2 自适应学习率的实验分析 | 第69-73页 |
| 5.4 本章小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 本文工作总结 | 第74-75页 |
| 6.2 未来展望 | 第75-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-82页 |
| 附录 | 第82-83页 |
| 详细摘要 | 第83-84页 |