| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第12-17页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 本文研究工作 | 第15-16页 |
| 1.4 论文组织结构 | 第16-17页 |
| 2 个性化推荐系统及相关技术 | 第17-27页 |
| 2.1 推荐系统概述 | 第17-18页 |
| 2.2 传统推荐算法 | 第18-25页 |
| 2.2.1 基于内容的推荐算法 | 第18-21页 |
| 2.2.2 基于协同过滤的推荐算法 | 第21-24页 |
| 2.2.3 基于关联规则的推荐算法 | 第24页 |
| 2.2.4 混合推荐算法 | 第24-25页 |
| 2.3 推荐算法的评价指标 | 第25-26页 |
| 2.3.1 预测精确度 | 第25-26页 |
| 2.3.2 ROC曲线和AUC值 | 第26页 |
| 2.3.3 准确率(Accuracy) | 第26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 基于自编码器的标签特征提取算法 | 第27-37页 |
| 3.1 标签推荐技术 | 第27-28页 |
| 3.2 自编码器神经网络 | 第28-32页 |
| 3.2.1 神经网络简介 | 第28-30页 |
| 3.2.2 神经网络训练 | 第30-31页 |
| 3.2.3 自编码器AutoEncoder | 第31-32页 |
| 3.3 文本标签生成 | 第32-34页 |
| 3.4 文本标签特征提取算法 | 第34-36页 |
| 3.5 本章小结 | 第36-37页 |
| 4 基于文本标签的个性化推荐算法 | 第37-54页 |
| 4.1 基于标签的用户兴趣模型表示 | 第37-38页 |
| 4.2 基于标签的推荐模型简介 | 第38-42页 |
| 4.2.1 基于主题的模型 | 第38-39页 |
| 4.2.2 基于网络的模型 | 第39-40页 |
| 4.2.3 基于张量的模型 | 第40-42页 |
| 4.3 矩阵分解技术概述 | 第42-44页 |
| 4.4 基于文本标签的矩阵分解推荐模型 | 第44-46页 |
| 4.5 实验 | 第46-53页 |
| 4.5.1 数据集说明 | 第46-48页 |
| 4.5.2 基于MovieLens数据集的电影推荐实验 | 第48-49页 |
| 4.5.3 基于edX数据集的课程推荐实验 | 第49-51页 |
| 4.5.4 基于CiteULike数据集的论文推荐实验 | 第51-53页 |
| 4.6 本章小结 | 第53-54页 |
| 5 总结与展望 | 第54-55页 |
| 5.1 论文总结 | 第54页 |
| 5.2 工作展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 个人简介 | 第58-59页 |
| 致谢 | 第59页 |