| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 国内研究现状 | 第14-15页 |
| 1.2.2 国外研究现状 | 第15-18页 |
| 1.3 本文的主要工作 | 第18页 |
| 1.3.1 主要研究内容 | 第18页 |
| 1.3.2 技术路线 | 第18页 |
| 1.4 论文结构 | 第18-20页 |
| 第二章 个性化推荐 | 第20-31页 |
| 2.1 基于内容的推荐 | 第20-22页 |
| 2.2 基于用户的协同过滤推荐 | 第22-26页 |
| 2.3 基于物品的协同过滤推荐算法 | 第26-27页 |
| 2.4 混合推荐 | 第27-28页 |
| 2.5 基于RBM的推荐 | 第28-30页 |
| 2.5.1 二值RBM模型 | 第28-29页 |
| 2.5.2 实值RBM模型 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第三章 主要文本分类相关算法 | 第31-37页 |
| 3.1 SVM分类算法 | 第31-32页 |
| 3.2 KNN分类算法 | 第32页 |
| 3.3 DBN分类算法 | 第32-34页 |
| 3.4 RNN分类算法 | 第34-35页 |
| 3.4.1 RNN模型 | 第34-35页 |
| 3.4.2 RNN相关模型 | 第35页 |
| 3.5 本章小结 | 第35-37页 |
| 第四章 LeNet-5文本分类算法及其改进 | 第37-47页 |
| 4.1 LeNet-5模型 | 第37-39页 |
| 4.1.1 LeNet-5模型 | 第37-38页 |
| 4.1.2 特征提取 | 第38-39页 |
| 4.2 改进LeNet-5模型——CNN-3C模型 | 第39-40页 |
| 4.3 CNN-3C文本分类 | 第40-42页 |
| 4.4 实验设计与分析 | 第42-46页 |
| 4.4.1 实验数据 | 第42页 |
| 4.4.2 数据处理 | 第42-44页 |
| 4.4.3 实验内容 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 基于CNN-SRBM文本分类的评分预测与推荐 | 第47-59页 |
| 5.1 改进RBM模型-SRBM | 第47-48页 |
| 5.2 基于CNN-3C文本分类的SRBM评分预测与推荐 | 第48-51页 |
| 5.3 实验设计与分析 | 第51-57页 |
| 5.3.1 实验数据 | 第51页 |
| 5.3.2 实验内容 | 第51-57页 |
| 5.4 本章小结 | 第57-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 工作总结 | 第59页 |
| 6.2 未来的工作展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 作者简介 | 第65页 |
