| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第1章 引言 | 第9-17页 |
| ·研究背景和意义 | 第9-10页 |
| ·问题域 | 第10-13页 |
| ·模型可解释型 | 第11页 |
| ·计算成本 | 第11-12页 |
| ·易用性 | 第12页 |
| ·可分布性 | 第12页 |
| ·可扩展性 | 第12-13页 |
| ·Netflix Prize 和数据集 | 第13-14页 |
| ·平台的选取 | 第13页 |
| ·数据集描述 | 第13-14页 |
| ·评估准则 | 第14页 |
| ·研究现状与相关工作 | 第14-16页 |
| ·主流方法 | 第14-15页 |
| ·其他方法 | 第15-16页 |
| ·本文的主要贡献和章节安排 | 第16-17页 |
| 第2章 一般性问题研究 | 第17-24页 |
| ·数据集统计特征 | 第17-20页 |
| ·稀疏性 | 第17页 |
| ·无标度现象 | 第17页 |
| ·训练集与测试集的数据分布差异之一：用户采样 | 第17-18页 |
| ·训练集与测试集的数据分布差异之二：时间采样 | 第18-19页 |
| ·批量评分 | 第19-20页 |
| ·均方根函数 | 第20-24页 |
| ·均方根不等式 | 第20页 |
| ·修正零点误差 | 第20-21页 |
| ·渐进性质 | 第21-22页 |
| ·舍入误差 | 第22-24页 |
| 第3章 神经网络算法 | 第24-46页 |
| ·SVD 算法 | 第24-36页 |
| ·Basic SVD | 第24-27页 |
| ·Anneal SVD | 第27-28页 |
| ·Weighted SVD | 第28-29页 |
| ·Sigmoid SVD | 第29-32页 |
| ·用户效用曲线 | 第32-33页 |
| ·Split SVD | 第33-36页 |
| ·RBM | 第36-46页 |
| ·RBM 模型 | 第36-39页 |
| ·Compact RBM | 第39-44页 |
| ·Temporal RBM | 第44-45页 |
| ·Continuous RBM | 第45-46页 |
| 第4章 局部线性模型 | 第46-52页 |
| ·Basic-kNN | 第47-48页 |
| ·意见领袖算法 | 第48-52页 |
| 第5章 结论与展望 | 第52-54页 |
| 参考文献 | 第54-56页 |
| 致谢 | 第56-57页 |
| 附录A 命题2.6 的证明 | 第57页 |
| 附录B Shrink 技巧的理论基础 | 第57-59页 |
| 附录C Contrastive Divergence 方法和Gibbs 采样 | 第59-61页 |
| 附录D 组合预测器 | 第61-64页 |
| D.1 串联——残量拟合法 | 第61-62页 |
| D.2 并联——线性组合 | 第62-63页 |
| D.3 自融合 | 第63-64页 |
| D.4 可微预测器的直和 | 第64页 |
| 附录E Global Effect | 第64-68页 |
| E.1 GE 串联预测器顺序 | 第65-66页 |
| E.2 与相近的模型的比较 | 第66-67页 |
| E.3 Shrink 技巧 | 第67-68页 |
| 附录F 迭代算法的一般技术 | 第68-71页 |
| F.1 随机梯度下降 | 第68-69页 |
| F.2 Mini-Batch | 第69-70页 |
| F.3 Weight Decay | 第70页 |
| F.4 Momentum | 第70-71页 |
| 附录G 使用外部信息的SVD 算法 | 第71-73页 |
| NSVD | 第71-72页 |
| TimeSVD | 第72-73页 |
| 附录H 实验环境 | 第73-74页 |
| 个人简历 | 第74页 |