| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-15页 |
| 1.1 课题背景 | 第8-10页 |
| 1.1.1 图书推荐 | 第9-10页 |
| 1.1.2 推荐方法 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 研究思路与内容 | 第12-13页 |
| 1.4 论文结构内容 | 第13-15页 |
| 2 读者检索借阅的研究方法 | 第15-27页 |
| 2.1 个性化推荐 | 第15-17页 |
| 2.2 协同过滤 | 第17-19页 |
| 2.3 常用的协同过滤方法 | 第19-26页 |
| 2.3.1 基于模型的协同过滤 | 第19-23页 |
| 2.3.2 基于内存的协同过滤 | 第23-25页 |
| 2.3.3 传统协同过滤算法优点以及缺陷 | 第25-26页 |
| 2.4 文献检索排序与个性化推荐 | 第26页 |
| 2.5 小结 | 第26-27页 |
| 3 深度学习模型及相关技术 | 第27-32页 |
| 3.1 深度学习模型 | 第27页 |
| 3.2 深度学习的基本思想 | 第27-28页 |
| 3.3 深度学习模型应用 | 第28-29页 |
| 3.4 受限玻尔兹曼机模型 | 第29-31页 |
| 3.5 小结 | 第31-32页 |
| 4 基于深度学习的图书推荐方法研究 | 第32-53页 |
| 4.1 基于聚类的协同过滤图书推荐 | 第32-36页 |
| 4.1.1 基于读者聚类的协同过滤 | 第32-33页 |
| 4.1.2 基于图书聚类的协同过滤 | 第33页 |
| 4.1.3 读者聚类与图书聚类相结合的协同过滤推荐算法 | 第33-36页 |
| 4.2 数据预处理 | 第36-39页 |
| 4.3 实验方案以及结果分析 | 第39-45页 |
| 4.4 基于受限玻尔兹曼机的协同过滤图书推荐 | 第45-52页 |
| 4.4.1 读者-图书兴趣评分 | 第45-47页 |
| 4.4.2 读者兴趣建模 | 第47-50页 |
| 4.4.3 图书评分估值与推荐 | 第50-51页 |
| 4.4.4 收敛性测试 | 第51-52页 |
| 4.5 小结 | 第52-53页 |
| 5 基于深度学习的协同过滤与文献兴趣度排序 | 第53-60页 |
| 5.1 基于深度学习的协同过滤 | 第53-55页 |
| 5.2 基于深度学习的读者文献兴趣度排序 | 第55-57页 |
| 5.2.1 文献兴趣模型 | 第55页 |
| 5.2.2 基于深度信念网络的文献兴趣度排序 | 第55-57页 |
| 5.3 实验结果与分析 | 第57-58页 |
| 5.3.1 基于深度学习的协同过滤推荐仿真 | 第57-58页 |
| 5.3.2 基于深度学习的文献兴趣度排序算法仿真 | 第58页 |
| 5.4 小结 | 第58-60页 |
| 6 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60页 |
| 6.2 展望 | 第60-62页 |
| 参考文献 | 第62-64页 |
| 攻读学位期间的研究成果 | 第64-65页 |
| 致谢 | 第65页 |