| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题研究背景与意义 | 第10页 |
| 1.2 协同过滤算法模型的研究现状及发展态势 | 第10-13页 |
| 1.3 本文的主要贡献与创新 | 第13页 |
| 1.4 本论文的结构安排 | 第13-15页 |
| 第二章 推荐算法基础知识及前人的模型介绍 | 第15-25页 |
| 2.1 推荐系统中常见的模型 | 第15-20页 |
| 2.1.1 基于用户的协同过滤算法 | 第15-16页 |
| 2.1.2 基于物品的协同过滤算法 | 第16页 |
| 2.1.3 传统的奇异值分解模型 | 第16-17页 |
| 2.1.4 改进的奇异值分解模型 | 第17页 |
| 2.1.5 基于邻域的模型 | 第17-19页 |
| 2.1.6 基于时间因素模型的协同过滤算法 | 第19-20页 |
| 2.2 推荐系统的相似度 | 第20-21页 |
| 2.3 推荐系统的评测指标 | 第21-23页 |
| 2.4 求解模型的算法 | 第23-24页 |
| 2.4.1 随机梯度下降算法 | 第23页 |
| 2.4.2 交替迭代最小二乘算法 | 第23-24页 |
| 2.5 推荐系统冷启动问题 | 第24页 |
| 2.6 本章小结 | 第24-25页 |
| 第三章 一种基于矩阵分解、邻域、时间融合的协同过滤推荐算法 | 第25-35页 |
| 3.1 相关研究 | 第25-26页 |
| 3.2 考虑矩阵分解、邻域、时间的协同过滤算法 | 第26-29页 |
| 3.3 实验及分析 | 第29-33页 |
| 3.3.1 实验数据集的介绍 | 第29页 |
| 3.3.2 实验指标介绍 | 第29页 |
| 3.3.3 实验结果分析 | 第29-33页 |
| 3.4 本章小节 | 第33-35页 |
| 第四章 一种基于矩阵分解和时间因素融合的协同过滤算法 | 第35-44页 |
| 4.1 相关研究 | 第35-36页 |
| 4.2 考虑矩阵分解模型和时间因素的协同过滤算法 | 第36-38页 |
| 4.3 实验及分析 | 第38-43页 |
| 4.3.1 实验数据集的介绍 | 第38页 |
| 4.3.2 实验指标介绍 | 第38-39页 |
| 4.3.3 实验结果分析 | 第39-43页 |
| 4.4 本章小节 | 第43-44页 |
| 第五章 基于用户的协同过滤算法的分布式并行计算的实现 | 第44-51页 |
| 5.1 相关研究 | 第44页 |
| 5.2 在分布式并行计算框架下基于用户的协同过滤的算法分析 | 第44-45页 |
| 5.3 在第二代分布式并行计算框架下基于用户的协同过滤的算法分析 | 第45-47页 |
| 5.4 基于用户的协同过滤算法的分布式并行计算的实现 | 第47页 |
| 5.5 实验结果及分析 | 第47-50页 |
| 5.5.1 实验数据集的介绍 | 第47页 |
| 5.5.2 实验的环境 | 第47-48页 |
| 5.5.3 实验结果分析 | 第48-50页 |
| 5.6 本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-53页 |
| 6.1 全文总结 | 第51页 |
| 6.2 后续工作展望 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 附录 | 第58-63页 |
