| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 推荐系统研究的历史和现状 | 第10-13页 |
| 1.3 研究内容 | 第13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 第二章 推荐系统相关技术概述 | 第15-25页 |
| 2.1 个性化推荐系统 | 第15-17页 |
| 2.2 协同过滤推荐算法 | 第17-19页 |
| 2.3 基于矩阵分解的推荐 | 第19-21页 |
| 2.4 概率矩阵分解算法 | 第21-23页 |
| 2.5 推荐算法的评测指标 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第三章 基于个体多样性的协同过滤推荐方法 | 第25-37页 |
| 3.1 引言 | 第25-26页 |
| 3.2 多样性相关技术研究 | 第26-28页 |
| 3.2.1 推荐多样性的分类 | 第26页 |
| 3.2.2 偏置项与时序多样性 | 第26-28页 |
| 3.3 基于个体多样性的矩阵分解推荐方法 | 第28-32页 |
| 3.3.1 算法基础 | 第28-30页 |
| 3.3.2 基于个体多样性的矩阵分解推荐算法 | 第30-31页 |
| 3.3.3 学习算法 | 第31-32页 |
| 3.4 实验结果及分析 | 第32-36页 |
| 3.4.1 实验数据集描述 | 第32页 |
| 3.4.2 评价指标 | 第32-33页 |
| 3.4.3 实验结果 | 第33-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 基于k-max pooling的卷积矩阵分解推荐算法 | 第37-48页 |
| 4.1 引言 | 第37-38页 |
| 4.2 算法基础 | 第38-40页 |
| 4.3 k-max pooling卷积矩阵分解算法 | 第40-45页 |
| 4.3.1 额外信息源 | 第41页 |
| 4.3.2 用k-max pooling CNN解决稀疏性问题 | 第41-45页 |
| 4.4 实验结果及分析 | 第45-47页 |
| 4.4.1 实验设置 | 第45页 |
| 4.4.2 评价指标 | 第45页 |
| 4.4.3 实验结果 | 第45-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第五章 总结与展望 | 第48-50页 |
| 5.1 本文总结 | 第48页 |
| 5.2 未来展望 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 发表论文和科研情况说明 | 第54-55页 |
| 致谢 | 第55页 |
