| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 本文的主要工作 | 第13页 |
| 1.4 论文的组织架构 | 第13-15页 |
| 第2章 协同过滤及迁移学习简介 | 第15-29页 |
| 2.1 协同过滤简述 | 第15-21页 |
| 2.1.1 基本定义 | 第15-16页 |
| 2.1.2 经典的协同过滤方法 | 第16-17页 |
| 2.1.3 矩阵分解技术 | 第17-20页 |
| 2.1.4 协同过滤面临的挑战 | 第20-21页 |
| 2.2 迁移学习 | 第21-25页 |
| 2.2.1 迁移学习概述 | 第21-23页 |
| 2.2.2 坐标系迁移算法(CST) | 第23页 |
| 2.2.3 用户特征子空间迁移算法(FST) | 第23-24页 |
| 2.2.4 Codebook迁移算法(CBT) | 第24-25页 |
| 2.3 常用的数据集简介 | 第25-26页 |
| 2.4 评价标准 | 第26-27页 |
| 2.5 本章小结 | 第27-29页 |
| 第3章 基于Schattenp范数的谱正则化算法 | 第29-45页 |
| 3.1 问题来源 | 第29-31页 |
| 3.2 模型简述 | 第31-32页 |
| 3.3 算法推导 | 第32-38页 |
| 3.4 存储代价和计算代价分析 | 第38-39页 |
| 3.5 实验结果与分析 | 第39-44页 |
| 3.5.1 Movielens数据集上的实验结果与分析 | 第39-42页 |
| 3.5.2 Douban数据集上的实验结果与分析 | 第42-43页 |
| 3.5.3 Netflix数据集上的实验结果与分析 | 第43-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第4章 基于Schattenp范数的谱正则化迁移算法 | 第45-55页 |
| 4.1 问题定义 | 第45页 |
| 4.2 模型简述 | 第45-47页 |
| 4.3 模型求解 | 第47页 |
| 4.4 计算代价分析 | 第47-48页 |
| 4.5 算法描述 | 第48-49页 |
| 4.6 实验部分 | 第49-53页 |
| 4.6.1 Movielens数据集上的实验结果与分析 | 第49-52页 |
| 4.6.2 Douban数据集上的实验结果与分析 | 第52-53页 |
| 4.7 本章小结 | 第53-55页 |
| 第5章 结论与展望 | 第55-59页 |
| 5.1 工作总结 | 第55-57页 |
| 5.2 未来工作展望 | 第57-59页 |
| 参考文献 | 第59-65页 |
| 致谢 | 第65-67页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第67页 |
