| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 课题背景与研究意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 解决的关键技术问题 | 第16页 |
| 1.4 论文主要工作及章节安排 | 第16-18页 |
| 第二章 相关技术基础 | 第18-36页 |
| 2.1 基于内容的推荐算法 | 第18-21页 |
| 2.2 基于协同过滤的推荐算法 | 第21-29页 |
| 2.2.1 基于邻域的协同过滤算法 | 第21-26页 |
| 2.2.2 基于模型的协同过滤算法 | 第26-29页 |
| 2.3 混合推荐方法 | 第29-35页 |
| 2.3.1 协同主题回归模型 | 第29-31页 |
| 2.3.2 协同深度学习模型 | 第31-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第三章 基于深度学习和社交关系正则化的混合协同过滤推荐算法 | 第36-47页 |
| 3.1 相关符号及问题定义 | 第36-37页 |
| 3.2 模型生成 | 第37-41页 |
| 3.3 模型学习 | 第41-45页 |
| 3.4 预测 | 第45-46页 |
| 3.5 时间复杂度分析 | 第46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 实验研究 | 第47-59页 |
| 4.1 实验数据 | 第47-48页 |
| 4.2 评价标准 | 第48-49页 |
| 4.3 实验设计 | 第49页 |
| 4.4 实验基线和参数设置 | 第49-51页 |
| 4.5 实验结果分析 | 第51-56页 |
| 4.5.1 社交网络参数对推荐性能的影响 | 第51-52页 |
| 4.5.2 不同稀疏程度的数据对推荐性能的影响 | 第52-54页 |
| 4.5.3 不同Top M 下的召回率对比 | 第54-55页 |
| 4.5.4 相似度函数对推荐性能的影响 | 第55-56页 |
| 4.6 可解释性 | 第56-57页 |
| 4.7 本章小结 | 第57-59页 |
| 总结与展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 攻读学位期间发表论文 | 第65-67页 |
| 致谢 | 第67页 |