| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 序言 | 第9-12页 |
| 1 引言 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 国内外研究进展 | 第14-18页 |
| 1.2.1 国内外研究现状 | 第14-16页 |
| 1.2.2 研究存在的问题 | 第16-18页 |
| 1.3 论文的研究内容 | 第18页 |
| 1.4 论文的组织结构 | 第18-20页 |
| 2 跨领域推荐的相关理论 | 第20-31页 |
| 2.1 跨领域推荐概念 | 第20-24页 |
| 2.2 跨领域推荐算法 | 第24-28页 |
| 2.2.1 融合用户偏好的跨领域推荐算法 | 第24-25页 |
| 2.2.2 混合多个单领域的推荐算法 | 第25-26页 |
| 2.2.3 基于迁移学习的跨领域推荐算法 | 第26-27页 |
| 2.2.4 共享潜在因子模型的跨领域推荐算法 | 第27-28页 |
| 2.3 跨领域推荐算法评估 | 第28-29页 |
| 2.4 本章小结 | 第29-31页 |
| 3 基于用户兴趣度迁移的跨领域推荐算法 | 第31-45页 |
| 3.1 问题定义 | 第31-32页 |
| 3.2 源领域用户兴趣度模型构建 | 第32-34页 |
| 3.2.1 源领域的矩阵分解模型训练 | 第32-33页 |
| 3.2.2 源领域用户兴趣度模型 | 第33-34页 |
| 3.3 目标领域用户兴趣度模型构建 | 第34-36页 |
| 3.3.1 目标领域的用户相似度改进 | 第34-35页 |
| 3.3.2 目标领域用户兴趣度模型 | 第35-36页 |
| 3.4 结合源领域和目标领域用户兴趣度模型 | 第36-37页 |
| 3.5 基于用户兴趣度迁移的跨领域算法设计及并行化 | 第37-38页 |
| 3.6 实验结果及分析 | 第38-44页 |
| 3.6.1 实验环境 | 第38-39页 |
| 3.6.2 数据集分析 | 第39-40页 |
| 3.6.3 评价指标及结果分析 | 第40-44页 |
| 3.7 本章小结 | 第44-45页 |
| 4 基于共享知识模型的跨领域推荐算法 | 第45-58页 |
| 4.1 问题定义 | 第45-46页 |
| 4.2 潜在因子的提取和建模 | 第46-51页 |
| 4.2.1 矩阵分解和潜在因子提取 | 第46-48页 |
| 4.2.2 潜在因子聚类 | 第48-49页 |
| 4.2.3 源领域和目标领域的潜在因子融合模型 | 第49-51页 |
| 4.3 基于共享知识模型的跨领域推荐算法及并行化设计 | 第51-52页 |
| 4.4 实验结果及分析 | 第52-57页 |
| 4.4.1 数据集及数据预处理 | 第52-54页 |
| 4.4.2 实验结果与分析 | 第54-57页 |
| 4.5 本章小结 | 第57-58页 |
| 5 结论 | 第58-60页 |
| 5.1 总结 | 第58-59页 |
| 5.2 展望 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第63-65页 |
| 学位论文数据集 | 第65页 |