| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 背景及意义 | 第11-12页 |
| 1.2 国内外研究现状及分析 | 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 |
| 1.2.3 矩阵分解推荐算法存在问题以及本文的解决方法 | 第14页 |
| 1.3 本文的结构 | 第14-16页 |
| 第2章 推荐系统概述 | 第16-22页 |
| 2.1 推荐系统的结构 | 第16-17页 |
| 2.2 推荐算法的分类 | 第17-19页 |
| 2.2.1 基于协同过滤的推荐 | 第17-18页 |
| 2.2.2 基于内容的推荐 | 第18-19页 |
| 2.2.3 混合推荐算法 | 第19页 |
| 2.3 推荐系统的评价 | 第19-20页 |
| 2.4 推荐系统面临的问题 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第3章 基于矩阵分解的推荐算法原理 | 第22-28页 |
| 3.1 矩阵分解的原理 | 第22-23页 |
| 3.2 基于矩阵分解的推荐算法 | 第23-24页 |
| 3.3 评分矩阵的分解与拟合 | 第24-27页 |
| 3.3.1 梯度下降算法 | 第24-26页 |
| 3.3.2 各项参数的更新 | 第26-27页 |
| 3.4 本章小结 | 第27-28页 |
| 第4章 基于近邻用户影响力的矩阵分解推荐算法 | 第28-39页 |
| 4.1 寻找近邻用户 | 第28-31页 |
| 4.1.1 基于KNN的最近邻 | 第28-29页 |
| 4.1.2 基于云模型的最近邻 | 第29-31页 |
| 4.2 基于用户影响力的矩阵分解推荐算法评分模型 | 第31-33页 |
| 4.2.1 评分模型的拟合问题 | 第32页 |
| 4.2.2 评分模型的参数的更新 | 第32-33页 |
| 4.3 实验与分析 | 第33-38页 |
| 4.3.1 数据集 | 第33页 |
| 4.3.2 实验步骤 | 第33-34页 |
| 4.3.3 实验结果分析 | 第34-38页 |
| 4.4 本章小结 | 第38-39页 |
| 第5章 基于时间权重的矩阵分解推荐算法 | 第39-47页 |
| 5.1 基于时间权重的矩阵分解推荐算法 | 第39-41页 |
| 5.1.1 时间权重模型 | 第39-40页 |
| 5.1.2 评分模型的参数更新 | 第40-41页 |
| 5.2 基于用户影响力及时间权重的矩阵分解推荐算法 | 第41-43页 |
| 5.2.1 评分模型的构建 | 第42页 |
| 5.2.2 评分模型参数的更新 | 第42-43页 |
| 5.3 实验结果及分析 | 第43-46页 |
| 5.3.1 不同时间权重对BTSVD算法的影响 | 第44-45页 |
| 5.3.2 NTSVD算法与NUISVD算法的比较 | 第45-46页 |
| 5.4 本章小结 | 第46-47页 |
| 第6章 总结与展望 | 第47-49页 |
| 6.1 总结 | 第47页 |
| 6.2 展望 | 第47-49页 |
| 参考文献 | 第49-53页 |
| 致谢 | 第53-54页 |
| 攻读学位期间取得的科研成果 | 第54-55页 |
