| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 主要符号对照表 | 第10-11页 |
| 第一章 绪论 | 第11-17页 |
| ·信息过载与协同过滤 | 第12-13页 |
| ·受限玻尔兹曼机 | 第13-14页 |
| ·本文的研究内容和组织结构 | 第14-17页 |
| ·本文的研究内容 | 第14-15页 |
| ·本文的组织结构 | 第15-17页 |
| 第二章 协同过滤以及受限玻尔兹曼机 | 第17-35页 |
| ·协同过滤问题简介 | 第17-18页 |
| ·协同过滤算法 | 第18-21页 |
| ·基于内存的（Memory-based）方法 | 第18-20页 |
| ·基于模型的（Model-based）方法 | 第20-21页 |
| ·受限玻尔兹曼机简介 | 第21-27页 |
| ·模型 | 第21-24页 |
| ·学习算法 | 第24-27页 |
| ·RBM中的吉布斯采样 | 第24-25页 |
| ·对比散度 | 第25-27页 |
| ·应用受限玻尔兹曼机构建深层神经网路 | 第27-29页 |
| ·应用受限玻尔兹曼机求解协同过滤问题 | 第29-31页 |
| ·受限玻尔兹曼机与基于用户的最近邻算法的联系 | 第31-33页 |
| ·本章小结 | 第33-35页 |
| 第三章 基于局部和全局用户相似度的协同过滤框架 | 第35-54页 |
| ·协同过滤中的稀疏性问题 | 第35-36页 |
| ·局部用户相似度及全局用户相似度 | 第36-44页 |
| ·局部用户相似度（基于惊异度的向量相似度） | 第37-39页 |
| ·局部用户相似度与TF-IDF的联系 | 第39-41页 |
| ·全局用户相似度 | 第41页 |
| ·用户图 | 第41-42页 |
| ·用户图上的最大最小距离 | 第42-44页 |
| ·基于局部用户相似度及全局用户相似度的协同过滤框架 | 第44页 |
| ·实验 | 第44-45页 |
| ·实验设置 | 第45-50页 |
| ·基于惊异度的向量空间相似度 | 第46-48页 |
| ·与其他协同过滤算法的比较 | 第48-49页 |
| ·相关参数对于实验结果的影响 | 第49-50页 |
| ·本章小结 | 第50-54页 |
| 第四章 混合三阶受限玻尔兹曼机 | 第54-73页 |
| ·受限玻尔兹曼机应用于监督学习 | 第55页 |
| ·非监督训练受限玻尔兹曼机 | 第55-57页 |
| ·混合三阶受限玻尔兹曼机 | 第57-62页 |
| ·模型 | 第57-59页 |
| ·学习算法 | 第59-61页 |
| ·一种基于能量模型的解释 | 第61-62页 |
| ·其他相关工作比较 | 第62-63页 |
| ·实验 | 第63-71页 |
| ·手写数字识别（MNIST数据集） | 第64-68页 |
| ·物体识别（一）（NORB数据集） | 第68-70页 |
| ·物体识别（二）（Caltech101 Silhouettes数据集） | 第70-71页 |
| ·本章小结 | 第71-73页 |
| 第五章 稀疏组受限玻尔兹曼机 | 第73-89页 |
| ·受限玻尔兹曼机非监督学习时特征同质化倾向 | 第73-74页 |
| ·稀疏表示及稀疏受限玻尔兹曼机 | 第74-76页 |
| ·组稀疏 | 第76-77页 |
| ·稀疏组受限玻尔兹曼机 | 第77-80页 |
| ·稀疏组受限玻尔兹曼机与三阶波尔兹曼机的联系 | 第80-81页 |
| ·稀疏组深层玻尔兹曼机 | 第81-83页 |
| ·深层玻尔兹曼机 | 第81-83页 |
| ·实验 | 第83-88页 |
| ·稀疏组受限玻尔兹曼机作为生成模型 | 第83-86页 |
| ·自然图像建模 | 第83-84页 |
| ·手写数字及OCR英文字母建模 | 第84-86页 |
| ·应用稀疏组受限玻尔兹曼机初始化深层网络 | 第86-87页 |
| ·稀疏组深层玻尔兹曼机 | 第87-88页 |
| ·本章小结 | 第88-89页 |
| 第六章 总结与展望 | 第89-92页 |
| ·本文的主要工作 | 第89-90页 |
| ·工作展望 | 第90-92页 |
| 参考文献 | 第92-102页 |
| 致谢 | 第102-103页 |
| 个人简历、在学期间的研究成果及发表的论文 | 第103-106页 |
| 上海交通大学博士学位论文答辩决议书 | 第106-107页 |
| 附件 | 第107页 |