| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究的背景和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 推荐算法的研究现状 | 第12-15页 |
| 1.2.2 深度学习在推荐系统应用的研究现状 | 第15-16页 |
| 1.3 本文主要工作 | 第16-17页 |
| 1.4 本文的组织结构 | 第17-18页 |
| 第2章 相关技术原理及分析 | 第18-33页 |
| 2.1 协同过滤推荐算法 | 第18-21页 |
| 2.1.1 协同过滤中相似度计算方法分析 | 第19-20页 |
| 2.1.2 基于项目的协同过滤算法 | 第20-21页 |
| 2.2 受限玻尔兹曼机模型 | 第21-29页 |
| 2.2.1 网络结构 | 第22-23页 |
| 2.2.2 能量函数与梯度计算公式 | 第23-27页 |
| 2.2.3 对比散度算法 | 第27-29页 |
| 2.2.4 RBM训练过程 | 第29页 |
| 2.3 隐语义模型 | 第29-30页 |
| 2.4 推荐系统的评价标准 | 第30-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 基于回归的受限玻尔兹曼机推荐算法 | 第33-44页 |
| 3.1 基于用户的协同过滤算法 | 第33-34页 |
| 3.2 基于受限玻尔兹曼机的协同过滤算法 | 第34-40页 |
| 3.2.1 基于用户的条件受限玻尔兹曼机协同过滤算法 | 第34-36页 |
| 3.2.2 基于项目的条件受限玻尔兹曼机协同过滤算法 | 第36-40页 |
| 3.3 基于回归的条件受限玻尔兹曼机推荐算法 | 第40-41页 |
| 3.4 实验分析 | 第41-43页 |
| 3.4.1 实验平台与数据 | 第41页 |
| 3.4.2 实验结果 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 基于强化的条件受限玻尔兹曼机模型 | 第44-60页 |
| 4.1 基于强化的条件受限玻尔兹曼机模型 | 第44-51页 |
| 4.1.1 S-CRBM模型的基本结构 | 第44-47页 |
| 4.1.2 基于S-CRBM的协同过滤算法 | 第47-51页 |
| 4.2 基于S-CRBM和LFM的混合推荐算法 | 第51-53页 |
| 4.2.1 算法思想 | 第52-53页 |
| 4.2.2 算法描述与实现 | 第53页 |
| 4.3 实验分析 | 第53-59页 |
| 4.3.1 SCRBM-LFM模型的训练 | 第54-55页 |
| 4.3.2 SCRBM-LFM模型中隐单元数目的确定 | 第55-57页 |
| 4.3.3 训练次数对推荐结果的影响 | 第57页 |
| 4.3.4 不同稀疏度实验 | 第57-59页 |
| 4.4 本章小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 攻读硕士学位期间所发表的学术论文 | 第67-68页 |
| 致谢 | 第68页 |
