| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 国内外研究动态 | 第12-14页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 研究内容 | 第14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 2 相关概念与技术 | 第16-22页 |
| 2.1 推荐算法 | 第16-18页 |
| 2.1.1 基于内容的推荐算法 | 第16页 |
| 2.1.2 基于协同过滤推荐算法 | 第16-17页 |
| 2.1.3 混合推荐算法 | 第17-18页 |
| 2.2 相似度计算 | 第18-19页 |
| 2.3 用户的行为数据 | 第19-20页 |
| 2.3.1 显式反馈 | 第19页 |
| 2.3.2 隐式反馈 | 第19-20页 |
| 2.4 推荐系统评价指标 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 3 基于隐式反馈的推荐技术 | 第22-34页 |
| 3.1 常见隐式反馈数据及其预处理 | 第22-26页 |
| 3.2 基于单类协同过滤的推荐 | 第26-27页 |
| 3.3 矩阵分解推荐算法概述 | 第27-33页 |
| 3.3.1 奇异值分解 | 第28-29页 |
| 3.3.2 隐语义模型 | 第29-31页 |
| 3.3.3 矩阵分解优化方法 | 第31-33页 |
| 3.4 本章小结 | 第33-34页 |
| 4 基于多因素隐式反馈信息的推荐算法 | 第34-44页 |
| 4.1 融入时间因素的隐式反馈矩阵 | 第34-39页 |
| 4.1.1 时间效应 | 第34-35页 |
| 4.1.2 时间衰减函数 | 第35-37页 |
| 4.1.3 时间加权评分矩阵 | 第37-39页 |
| 4.2 负样本及其选择 | 第39-42页 |
| 4.2.1 基于项目流行度的负样本选择 | 第40页 |
| 4.2.2 基于用户活跃度的负样本选择 | 第40-42页 |
| 4.3 基于多因素隐式反馈信息的推荐过程 | 第42-43页 |
| 4.4 本章小结 | 第43-44页 |
| 5 实验与结果分析 | 第44-52页 |
| 5.1 实验设计 | 第44-45页 |
| 5.1.1 开发环境 | 第44页 |
| 5.1.2 实验数据 | 第44-45页 |
| 5.2 数据预处理 | 第45-47页 |
| 5.2.1 播放次数转化为评分 | 第45页 |
| 5.2.2 时间信息预处理 | 第45-47页 |
| 5.3 矩阵分解结果与分析 | 第47-50页 |
| 5.3.1 引入时间因素信息实验结果与分析 | 第47-48页 |
| 5.3.2 引入用户活跃度的隐式信息实验结果与分析 | 第48-50页 |
| 5.4 本章小结 | 第50-52页 |
| 6 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52页 |
| 6.2 展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57-58页 |
| 攻读硕士学位期间取得的研究成果 | 第58-59页 |
| 学位论文数据集表 | 第59-60页 |