| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 推荐系统的研究背景和意义 | 第8-9页 |
| 1.2 推荐系统研究现状 | 第9-12页 |
| 1.2.1 推荐系统的发展历程 | 第9页 |
| 1.2.2 工业应用现状 | 第9-10页 |
| 1.2.3 学术研究现状 | 第10-12页 |
| 1.3 本文研究内容 | 第12-13页 |
| 1.4 本文组织结构 | 第13-15页 |
| 第二章 相关理论技术概述 | 第15-27页 |
| 2.1 推荐系统 | 第15-16页 |
| 2.2 传统推荐算法 | 第16-18页 |
| 2.2.1 基于内容推荐 | 第16-17页 |
| 2.2.2 基于知识的推荐 | 第17页 |
| 2.2.3 协同过滤推荐 | 第17页 |
| 2.2.4 关联规则推荐 | 第17页 |
| 2.2.5 混合推荐 | 第17-18页 |
| 2.3 协同过滤推荐算法 | 第18-22页 |
| 2.3.1 基于内存的协同过滤 | 第18-21页 |
| 2.3.2 基于模型的协同过滤 | 第21页 |
| 2.3.3 协同过滤存在的问题 | 第21-22页 |
| 2.4 基于受限玻尔兹曼机的协同过滤 | 第22-27页 |
| 第三章 矩阵填充算法 | 第27-34页 |
| 3.1 协同过滤推荐中数据稀疏问题 | 第27-28页 |
| 3.2 矩阵填充算法 | 第28-29页 |
| 3.3 最近邻查询 | 第29-31页 |
| 3.4 产生推荐 | 第31-32页 |
| 3.5 矩阵填充 | 第32-33页 |
| 3.6 本章小结 | 第33-34页 |
| 第四章 基于实值UI-RBM的协同过滤推荐算法 | 第34-45页 |
| 4.1 基于实值UI-RBM的协同过滤推荐算法 | 第34页 |
| 4.2 基于实值UI-RBM模型 | 第34-35页 |
| 4.3 基于实值UI-RBM模型的训练和预测 | 第35-38页 |
| 4.4 数据集 | 第38页 |
| 4.5 实验环境 | 第38页 |
| 4.6 评估标准 | 第38-39页 |
| 4.7 实验结果与分析 | 第39-43页 |
| 4.7.1 Movielens100K数据集结果 | 第40-41页 |
| 4.7.2 Movielens1M数据集结果 | 第41-43页 |
| 4.8 本章小结 | 第43-45页 |
| 第五章 改进的实值UI-RBM协同过滤推荐算法 | 第45-59页 |
| 5.1 改进的实值UI-RBM协同过滤推荐算法的原理 | 第45页 |
| 5.2 改进的实值UI-RBM协同过滤推荐算法 | 第45-46页 |
| 5.3 实验结果与分析 | 第46-58页 |
| 5.3.1 Movielens100K数据集结果 | 第47-52页 |
| 5.3.2 Movielens1M数据集结果 | 第52-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 在学期间研究成果 | 第64-65页 |
| 致谢 | 第65页 |