| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.2.1 基于内容的推荐算法 | 第12-13页 |
| 1.2.2 协同过滤推荐算法 | 第13页 |
| 1.2.3 基于神经网络的推荐算法 | 第13-14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.4 论文结构安排 | 第15-17页 |
| 第二章 推荐系统概述 | 第17-24页 |
| 2.1 推荐系统组成 | 第17-18页 |
| 2.2 推荐系统应用 | 第18-20页 |
| 2.3 推荐效果评测方法 | 第20-21页 |
| 2.3.1 离线实验 | 第20页 |
| 2.3.2 用户调查 | 第20-21页 |
| 2.3.3 在线实验 | 第21页 |
| 2.4 推荐效果评测指标 | 第21-23页 |
| 2.4.1 用户满意度 | 第21页 |
| 2.4.2 预测准确度 | 第21-22页 |
| 2.4.3 多样性 | 第22页 |
| 2.4.4 新颖性 | 第22-23页 |
| 2.4.5 惊喜度 | 第23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 常见推荐算法 | 第24-33页 |
| 3.1 基于内容的推荐算法 | 第24-25页 |
| 3.2 基于近邻的推荐算法 | 第25-27页 |
| 3.2.1 基于用户的推荐算法 | 第26-27页 |
| 3.2.2 基于物品的推荐算法 | 第27页 |
| 3.3 基于模型的推荐算法 | 第27-30页 |
| 3.3.1 矩阵分解 | 第28-29页 |
| 3.3.2 概率矩阵分解(Probabilistic matrix factorization) | 第29-30页 |
| 3.4 混合推荐算法 | 第30-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第四章 基于隐因子预测的推荐算法 | 第33-42页 |
| 4.1 基于隐因子预测的推荐算法概述 | 第33-35页 |
| 4.2 物品隐因子生成 | 第35-36页 |
| 4.3 物品隐因子向量序列建模 | 第36-40页 |
| 4.3.1 循环神经网络 | 第36-38页 |
| 4.3.2 损失函数 | 第38页 |
| 4.3.3 循环神经网络训练 | 第38-39页 |
| 4.3.4 长短期记忆网络(LSTM) | 第39-40页 |
| 4.4 推荐列表生成 | 第40-41页 |
| 4.5 本章小结 | 第41-42页 |
| 第五章 推荐算法实验及分析 | 第42-51页 |
| 5.1 实验数据集 | 第42-43页 |
| 5.1.1 Movielens数据集 | 第42-43页 |
| 5.1.2 CiaoDVD数据集 | 第43页 |
| 5.2 评价指标 | 第43页 |
| 5.3 实验环境 | 第43-44页 |
| 5.4 主要对比实验 | 第44页 |
| 5.5 隐因子向量维度 | 第44-45页 |
| 5.6 实验结果分析比较 | 第45-50页 |
| 5.6.1 Movielens(1M)数据集实验 | 第45-48页 |
| 5.6.2 CiaoDVD数据集实验 | 第48-49页 |
| 5.6.3 实验结果总结分析 | 第49-50页 |
| 5.7 本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-54页 |
| 6.1 论文工作总结 | 第51-52页 |
| 6.2 问题及展望 | 第52-54页 |
| 参考文献 | 第54-59页 |
| 致谢 | 第59-60页 |
| 攻读学位期间发表的学术论文目录 | 第60页 |