| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文的主要研究内容 | 第14页 |
| 1.4 论文的结构 | 第14-16页 |
| 第2章 基础知识及相关理论 | 第16-26页 |
| 2.1 协同过滤推荐技术 | 第16-17页 |
| 2.2 基于内存的协同过滤推荐 | 第17-20页 |
| 2.2.1 基于用户的协同过滤推荐算法 | 第17-19页 |
| 2.2.2 基于项目的协同过滤 | 第19-20页 |
| 2.3 基于模型的协同过滤推荐算法 | 第20-24页 |
| 2.3.1 Basic MF | 第21-23页 |
| 2.3.2 Biased MF | 第23-24页 |
| 2.4 推荐算法存在的问题 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 基于用户非对称相似度的概率矩阵分解模型 | 第26-36页 |
| 3.1 概率矩阵分解模型PMF | 第26-28页 |
| 3.2 非对称相似度度量方法 | 第28-29页 |
| 3.3 融合信任用户非对称相似度的概率矩阵分解模型—AC-PMF | 第29-35页 |
| 3.3.1 推荐流程 | 第29-30页 |
| 3.3.2 AC-PMF的建模过程 | 第30-33页 |
| 3.3.3 AC-PMF模型的算法描述 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 强化信任关系的推荐模型—Enhance-SocialMF | 第36-44页 |
| 4.1 SocialMF模型 | 第36-38页 |
| 4.2 强化信任用户关系的推荐模型—Enhance-SocialMF | 第38页 |
| 4.3 Enhance-SocialMF的建模过程 | 第38-42页 |
| 4.4 Enhance-SocialMF模型的算法描述 | 第42-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第5章 实验结果与分析 | 第44-53页 |
| 5.1 数据集描述 | 第44页 |
| 5.2 实验环境 | 第44-45页 |
| 5.3 评价指标 | 第45页 |
| 5.4 AC-PMF推荐模型验证 | 第45-49页 |
| 5.4.1 实验参数寻优与确定 | 第45-49页 |
| 5.4.2 实验结果分析 | 第49页 |
| 5.5 Enhance-SocialF推荐模型验证 | 第49-51页 |
| 5.6 非对称相似度在概率矩阵分解模型中的适用性 | 第51-52页 |
| 5.7 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第59-60页 |
| 致谢 | 第60-61页 |
| 作者简介 | 第61页 |
