| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 第一章 绪论 | 第7-11页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.1.1 推荐系统研究的背景及意义 | 第7页 |
| 1.1.2 深度学习研究的背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.2.1 推荐系统国内外研究现状 | 第8页 |
| 1.2.2 深度学习国内外研究现状 | 第8-9页 |
| 1.3 论文研究内容及意义 | 第9页 |
| 1.4 文章结构安排 | 第9-11页 |
| 第二章 相关技术介绍 | 第11-23页 |
| 2.1 推荐系统相关技术 | 第11-18页 |
| 2.1.1 推荐系统概述 | 第11-12页 |
| 2.1.2 常用的推荐算法 | 第12-15页 |
| 2.1.3 推荐系统评测 | 第15-17页 |
| 2.1.4 推荐算法面临的新挑战 | 第17-18页 |
| 2.2 深度学习相关技术 | 第18-22页 |
| 2.2.1 深度学习概述 | 第18-19页 |
| 2.2.2 深度学习的模型 | 第19-20页 |
| 2.2.3 常见的深度学习方法 | 第20-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第三章 基于用户多属性和项目生命周期的推荐算法 | 第23-32页 |
| 3.1 问题描述 | 第23-24页 |
| 3.2 基于用户多属性的协同过滤推荐算法 | 第24-29页 |
| 3.2.1 用户特征提取 | 第24-29页 |
| 3.2.2 基于用户多属性的协同过滤推荐算法 | 第29页 |
| 3.2.3 算法描述 | 第29页 |
| 3.3 基于用户多属性和项目生命周期的推荐算法 | 第29-31页 |
| 3.3.1 项目特征提取 | 第29-31页 |
| 3.3.2 基于用户多属性和项目生命周期的推荐算法 | 第31页 |
| 3.3.3 算法描述 | 第31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 基于DBN分类的协同过滤推荐算法 | 第32-39页 |
| 4.1 问题描述 | 第32页 |
| 4.2 基于深度置信网络的多特征推荐算法 | 第32-38页 |
| 4.2.1 单模式学习的DBN | 第32-34页 |
| 4.2.2 多模式学习的DBN | 第34-36页 |
| 4.2.3 BP网络 | 第36-37页 |
| 4.2.4 算法框架 | 第37页 |
| 4.2.5 算法流程 | 第37-38页 |
| 4.3 本章小结 | 第38-39页 |
| 第五章 实验评价与分析 | 第39-46页 |
| 5.1 实验环境与相关数据集 | 第39页 |
| 5.2 实验评估标准 | 第39-40页 |
| 5.3 实验结果与分析 | 第40-45页 |
| 5.3.1 UMACF推荐算法参数优化 | 第40-41页 |
| 5.3.2 不同推荐算法实验对比 | 第41-45页 |
| 5.4 本章小结 | 第45-46页 |
| 第六章 总结与展望 | 第46-48页 |
| 6.1 总结 | 第46-47页 |
| 6.2 展望 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 在校期间发表论文情况 | 第51-52页 |
| 致谢 | 第52-53页 |