| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题研究背景及其研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-14页 |
| 1.3 存在问题 | 第14页 |
| 1.4 本课题研究内容与论文安排 | 第14-18页 |
| 1.4.1 本课题主要研究内容 | 第14-15页 |
| 1.4.2 论文结构安排 | 第15-18页 |
| 第二章 个性化推荐系统及相关算法 | 第18-26页 |
| 2.1 个性化推荐系统 | 第18页 |
| 2.2 协同过滤推荐算法 | 第18-23页 |
| 2.2.1 基于内存的协同过滤推荐算法 | 第19-22页 |
| 2.2.2 基于模型的协同过滤推荐算法 | 第22-23页 |
| 2.3 基于内容的推荐算法 | 第23-24页 |
| 2.4 基于标签的推荐算法 | 第24页 |
| 2.5 基于关联规则的推荐算法 | 第24-25页 |
| 2.6 混合推荐算法 | 第25页 |
| 2.7 本章小结 | 第25-26页 |
| 第三章 基于SVD的推荐算法的研究 | 第26-38页 |
| 3.1 SVD基本算法 | 第26-28页 |
| 3.1.1 SVD背景介绍 | 第26页 |
| 3.1.2 SVD基本原理 | 第26-28页 |
| 3.2 梯度下降法 | 第28-29页 |
| 3.3 基于SVD改进的推荐算法 | 第29-36页 |
| 3.3.1 LFM | 第29-30页 |
| 3.3.2 Bias SVD | 第30-32页 |
| 3.3.3 SVD++ | 第32-34页 |
| 3.3.4 实验设计及算法性能比较 | 第34-36页 |
| 3.4 本章小结 | 第36-38页 |
| 第四章 改进学习率的一种高效SVD++推荐算法 | 第38-48页 |
| 4.1 引言 | 第38-39页 |
| 4.2 SVD++模型的学习方法 | 第39-40页 |
| 4.2.1 已有学习率方法 | 第39页 |
| 4.2.2 本文学习率方法 | 第39-40页 |
| 4.3 改进学习率的SVD++算法推荐模型 | 第40-41页 |
| 4.4 实验及分析 | 第41-45页 |
| 4.4.1 实验设计 | 第41-43页 |
| 4.4.2 实验结果及分析 | 第43-45页 |
| 4.5 本章小结 | 第45-48页 |
| 第五章 基于Apriori算法重组标签的HOSVD推荐算法 | 第48-62页 |
| 5.1 引言 | 第48-49页 |
| 5.2 Apriori及HOSVD标签推荐算法介绍 | 第49-55页 |
| 5.2.1 Apriori算法 | 第49-51页 |
| 5.2.2 HOSVD算法 | 第51-55页 |
| 5.3 基于Apriori算法重组标签的HOSVD推荐方法 | 第55-57页 |
| 5.4 实验及分析 | 第57-59页 |
| 5.4.1 实验数据和环境 | 第57-58页 |
| 5.4.2 实验结果及分析 | 第58-59页 |
| 5.5 本章小结 | 第59-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 工作总结 | 第62页 |
| 6.2 下一步工作展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 特别感谢以下项目的支持 | 第69-70页 |
| 攻读学位期间发表的学术论文目录 | 第70页 |
