| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 研究现状分析 | 第12-15页 |
| 1.3 研究内容与挑战 | 第15-16页 |
| 1.4 论文组织结构 | 第16-19页 |
| 第二章 相关工作与技术基础 | 第19-25页 |
| 2.1 推荐系统相关研究 | 第19-20页 |
| 2.1.1 推荐系统的背景与应用 | 第19页 |
| 2.1.2 推荐算法分类介绍 | 第19-20页 |
| 2.2 IPTV相关研究 | 第20-22页 |
| 2.2.1 用户行为建模 | 第21页 |
| 2.2.2 网络优化 | 第21页 |
| 2.2.3 电视节目推荐 | 第21-22页 |
| 2.3 张量分解 | 第22-24页 |
| 2.3.1 张量基础知识 | 第22-23页 |
| 2.3.2 张量分解模型 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 IPTV用户收视行为分析与建模 | 第25-37页 |
| 3.1 IPTV数据 | 第25-28页 |
| 3.2 节目分类 | 第28-29页 |
| 3.3 用户收视行为的时间相关性 | 第29-33页 |
| 3.4 用户收视偏好模型的建立 | 第33-35页 |
| 3.4.1 忠诚度 | 第33-34页 |
| 3.4.2 兴趣度 | 第34页 |
| 3.4.3 偏好程度 | 第34-35页 |
| 3.5 用户特征的定性分析 | 第35-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第四章 兼顾时间上下文与隐式反馈的节目推荐方法研究 | 第37-55页 |
| 4.1 引言 | 第37-38页 |
| 4.2 基于时间上下文的张量建模 | 第38-39页 |
| 4.3 时间上下文感知的张量分解算法 | 第39-42页 |
| 4.3.1 定义张量分解模型 | 第39-40页 |
| 4.3.2 确定损失函数 | 第40-41页 |
| 4.3.3 优化目标函数 | 第41-42页 |
| 4.3.4 重构近似张量 | 第42页 |
| 4.4 兼顾时间上下文与隐式反馈的节目个性化推荐 | 第42-43页 |
| 4.5 实验结果与分析 | 第43-52页 |
| 4.5.1 实验设置 | 第43-44页 |
| 4.5.2 基准算法说明 | 第44页 |
| 4.5.3 评价指标说明 | 第44-46页 |
| 4.5.4 与基准算法对比实验 | 第46-50页 |
| 4.5.5 用户偏好模型对准确度的影响实验 | 第50-51页 |
| 4.5.6 训练集天数对准确度的影响实验 | 第51-52页 |
| 4.5.7 用户数量对准确度的影响实验 | 第52页 |
| 4.6 本章小结 | 第52-55页 |
| 第五章 融合地域特征与群组偏好的节目推荐方法研究 | 第55-71页 |
| 5.1 引言 | 第55-56页 |
| 5.2 结合地域特征的用户群组划分 | 第56-60页 |
| 5.2.1 数据预处理 | 第56-58页 |
| 5.2.2 基于K-means算法的用户聚类方法 | 第58-60页 |
| 5.3 分层次张量分解算法 | 第60-63页 |
| 5.3.1 电视节目类别相似性 | 第60-61页 |
| 5.3.2 分层次张量分解 | 第61-63页 |
| 5.4 融合地域特征与群组偏好的节目推荐 | 第63-64页 |
| 5.5 扩展到多种上下文情景 | 第64-65页 |
| 5.6 实验结果与分析 | 第65-70页 |
| 5.6.1 实验设置 | 第65页 |
| 5.6.2 性能对比实验 | 第65-67页 |
| 5.6.3 推荐效果对比实验 | 第67-70页 |
| 5.6.4 用户层偏好预测值的权重对准确度的影响实验 | 第70页 |
| 5.7 本章小结 | 第70-71页 |
| 总结与展望 | 第71-73页 |
| 总结 | 第71页 |
| 展望 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 攻读硕士学位期间取得的科研成果 | 第79-81页 |
| 致谢 | 第81-82页 |