| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景及研究意义 | 第10-11页 |
| 1.2 课题相关国内外研究现状 | 第11-13页 |
| 1.3 主要研究内容 | 第13-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 第2章 相关理论基础及技术 | 第16-26页 |
| 2.1 异构信息网络(HIN) | 第16-19页 |
| 2.2 矩阵分解介绍 | 第19-20页 |
| 2.3 深度学习模型 | 第20-23页 |
| 2.4 HIN的推荐方法 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 结合显隐式反馈的Top-N推荐模型 | 第26-38页 |
| 3.1 推荐模型的提出与分析 | 第26页 |
| 3.2 显隐式反馈信息分析 | 第26-28页 |
| 3.3 Meta-path分析和选择 | 第28-31页 |
| 3.3.1 Meta-path分析 | 第28-29页 |
| 3.3.2 Meta-path选择 | 第29-31页 |
| 3.4 结合显隐式反馈的Top-N推荐模型构建 | 第31-36页 |
| 3.4.1 基于Meta-path的显式反馈预测 | 第32-34页 |
| 3.4.2 基于Meta-path的隐式反馈预测 | 第34-35页 |
| 3.4.3 结合显隐式反馈预测 | 第35-36页 |
| 3.4.4 Top-N推荐列表生成 | 第36页 |
| 3.5 HIN中结合显隐式反馈模型的应用 | 第36-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第4章 融合MF与 DNN的推荐方法MFDNN | 第38-48页 |
| 4.1 融合MF与 DNN的推荐方法MFDNN介绍 | 第38-39页 |
| 4.2 基于MF的推荐方法 | 第39-42页 |
| 4.2.1 基于MF的推荐方法构建 | 第39-40页 |
| 4.2.2 基于MF的推荐方法实现 | 第40-42页 |
| 4.3 基于DNN的推荐方法 | 第42-45页 |
| 4.3.1 基于DNN的推荐方法构建 | 第42-43页 |
| 4.3.2 基于DNN的推荐方法实现 | 第43-45页 |
| 4.4 MFDNN融合方法及其优化 | 第45-47页 |
| 4.4.1 MFDNN融合方法 | 第45-46页 |
| 4.4.2 基于Adam的参数优化 | 第46-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第5章 实验设计与结果分析 | 第48-62页 |
| 5.1 实验设置 | 第48-51页 |
| 5.1.1 实验环境选择 | 第48-49页 |
| 5.1.2 实验数据 | 第49-50页 |
| 5.1.3 评估指标 | 第50页 |
| 5.1.4 基线方法 | 第50-51页 |
| 5.2 参数选择 | 第51-55页 |
| 5.3 实验结果 | 第55-61页 |
| 5.3.1 显隐式反馈信息对比实验 | 第56-57页 |
| 5.3.2 MF和 DNN学习独立特征嵌入对比实验 | 第57-59页 |
| 5.3.3 实验结果及分析 | 第59-61页 |
| 5.4 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第70-71页 |
| 致谢 | 第71页 |