| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5页 |
| 1 绪论 | 第8-15页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究现状 | 第9-10页 |
| 1.3 研究内容 | 第10-12页 |
| 1.4 研究目的和主要创新点 | 第12-13页 |
| 1.5 结构及章节编排 | 第13-15页 |
| 2 APP推荐系统的相关研究 | 第15-28页 |
| 2.1 推荐系统中常用的各项推荐技术 | 第15-25页 |
| 2.1.1 协同过滤 | 第15-20页 |
| 2.1.2 基于内容的过滤 | 第20-25页 |
| 2.2 移动APP应用推荐 | 第25-26页 |
| 2.3 对流行度敏感的推荐 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 对流行度敏感的APP主题推荐模型 | 第28-36页 |
| 3.1 APP应用的相关特征信息 | 第29-30页 |
| 3.2 App应用中主题（功能）特征信息的产生 | 第30-32页 |
| 3.2.1 文本特征表征方式的选择 | 第30-31页 |
| 3.2.2 主题模型的探索使用 | 第31-32页 |
| 3.3 对流行度敏感的潜在主题 | 第32-35页 |
| 3.3.1 计算APP应用的流行度 | 第33页 |
| 3.3.2 APP应用的训练数据集的构建与处理 | 第33-35页 |
| 3.4 APP应用流行度的预测 | 第35页 |
| 3.5 本章小结 | 第35-36页 |
| 4 推荐模型的实验及分析 | 第36-45页 |
| 4.1 用于实验对比的基准模型 | 第36-37页 |
| 4.2 出现概率高的主题是否与APP流行度高度相关 | 第37-38页 |
| 4.3 不同的主题模型之间的对比 | 第38-42页 |
| 4.4 推荐模型中相关度corrg(π(d), z)的作用分析 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 5 总结与展望 | 第45-47页 |
| 5.1 工作总结 | 第45-46页 |
| 5.2 展望 | 第46-47页 |
| 致谢 | 第47-48页 |
| 参考文献 | 第48-52页 |
| 附录 | 第52页 |