| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文研究内容 | 第11页 |
| 1.4 论文组织结构 | 第11-13页 |
| 第2章 协同过滤算法相关知识介绍 | 第13-21页 |
| 2.1 协同过滤算法介绍与组成 | 第13-16页 |
| 2.1.1 基于内存的协同过滤算法 | 第14-15页 |
| 2.1.2 基于模型的协同过滤算法 | 第15-16页 |
| 2.2 矩阵分解方法 | 第16-19页 |
| 2.2.1 矩阵分解的数值解法 | 第17页 |
| 2.2.2 传统的矩阵分解 | 第17-18页 |
| 2.2.3 带正则项的矩阵分解 | 第18-19页 |
| 2.3 协同过滤算法评测指标 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 基于隐语义模型的动态协同过滤算法 | 第21-31页 |
| 3.1 基于矩阵因子分解的协同过滤算法 | 第21-22页 |
| 3.1.1 SVD++算法 | 第21-22页 |
| 3.2 基于动态时序的SpecialTSVD++算法 | 第22-28页 |
| 3.2.1 动态时序 | 第22-26页 |
| 3.2.2 用户属性 | 第26页 |
| 3.2.3 模型优化与算法描述 | 第26-28页 |
| 3.3 实验结果及分析 | 第28-29页 |
| 3.3.1 数据集及度量标准 | 第28页 |
| 3.3.2 实验结果与分析 | 第28-29页 |
| 3.3.3 实验总结 | 第29页 |
| 3.4 本章小结 | 第29-31页 |
| 第4章 基于主动学习的ESpecialTSVD++算法 | 第31-41页 |
| 4.1 主动学习策略 | 第31-32页 |
| 4.1.1 协同过滤算法中的主动学习策略 | 第31-32页 |
| 4.2 基于主动学习的ESpecialTSVD++算法 | 第32-36页 |
| 4.2.1 建立高密度子矩阵 | 第32-34页 |
| 4.2.2 ESpecialTSVD++算法过程 | 第34-35页 |
| 4.2.3 多层结构的ESpecialTSVD++模型 | 第35-36页 |
| 4.3 实验结果及分析 | 第36-39页 |
| 4.3.1 数据集及度量标准 | 第36-37页 |
| 4.3.2 实验结果与分析 | 第37-39页 |
| 4.3.3 实验总结 | 第39页 |
| 4.4 本章小结 | 第39-41页 |
| 结论 | 第41-43页 |
| 参考文献 | 第43-47页 |
| 攻读硕士学位期间发表的学术论文 | 第47-49页 |
| 致谢 | 第49页 |
