| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 研究背景及意义 | 第9-12页 |
| 1.2 协同过滤国内外研究现状 | 第12-15页 |
| 1.3 本文主要研究内容 | 第15-16页 |
| 1.4 章节安排 | 第16-18页 |
| 第二章 协同过滤推荐算法介绍 | 第18-27页 |
| 2.1 基于内存的方法 | 第18-21页 |
| 2.2 基于模型的方法 | 第21-25页 |
| 2.2.2 基于聚类的协同过滤 | 第22-24页 |
| 2.2.3 基于降维技术的协同过滤 | 第24页 |
| 2.2.4 基于隐语义模型的协同过滤 | 第24-25页 |
| 2.3 混合推荐的方法 | 第25页 |
| 2.4 本章小结 | 第25-27页 |
| 第三章 基于安全的半监督方法的协同过滤推荐算法 | 第27-40页 |
| 3.1 半监督学习 | 第27-32页 |
| 3.1.1 概述 | 第27-28页 |
| 3.1.2 基于生成式的方法 | 第28-29页 |
| 3.1.3 基于图的方法 | 第29页 |
| 3.1.4 基于分歧的方法 | 第29页 |
| 3.1.5 基于半监督SVM的方法 | 第29-31页 |
| 3.1.6 S4VM方法 | 第31-32页 |
| 3.2 基于安全的半监督方法的协同过滤推荐算法 | 第32-36页 |
| 3.2.1 高置信度S4VM的评分预测算法 | 第33-34页 |
| 3.2.2 计算推荐集 | 第34-36页 |
| 3.3 实验 | 第36-38页 |
| 3.3.1 实验数据集及度量标准 | 第36页 |
| 3.3.2 实验结果及分析 | 第36-38页 |
| 3.4 本章小结 | 第38-40页 |
| 第四章 基于Autoencode降维的聚类协同过滤算法 | 第40-54页 |
| 4.1 Autoencoder介绍 | 第40-47页 |
| 4.1.1 神经网络介绍 | 第40-43页 |
| 4.1.2 误差逆传播算法 | 第43-45页 |
| 4.1.3 Autoencoder | 第45-47页 |
| 4.2 k-means算法 | 第47-49页 |
| 4.3 基于Autoencoder降维的聚类的协同过滤算法 | 第49-50页 |
| 4.4 实验 | 第50-53页 |
| 4.4.1 实验数据集及度量标准 | 第50-51页 |
| 4.4.2 实验结果及分析 | 第51-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 SSAE-Film电影推荐系统的设计与实现 | 第54-65页 |
| 5.1 需求分析 | 第54页 |
| 5.2 系统设计 | 第54-60页 |
| 5.2.1 交互层 | 第55-56页 |
| 5.2.2 业务逻辑层 | 第56-57页 |
| 5.2.3 数据层 | 第57-58页 |
| 5.2.4 系统数据库设计 | 第58-60页 |
| 5.3 SSAE-Film系统展示 | 第60-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 本文工作总结 | 第65页 |
| 6.2 未来工作展望 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 致谢 | 第72-73页 |
| 攻读硕士学位期间的科研成果 | 第73页 |
