| 摘要 | 第3-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 协同过滤的国内外研究现状 | 第13-15页 |
| 1.3 本文内容及意义 | 第15-16页 |
| 1.4 本文结构安排 | 第16-18页 |
| 第二章 推荐系统相关技术研究 | 第18-30页 |
| 2.1 推荐系统理论概述 | 第18-22页 |
| 2.1.1 推荐系统理论 | 第18-19页 |
| 2.1.2 推荐系统工作原理 | 第19-20页 |
| 2.1.3 推荐算法及其分类 | 第20-22页 |
| 2.2 协同过滤技术研究 | 第22-25页 |
| 2.2.1 协同过滤基本思想 | 第22-23页 |
| 2.2.2 协同过滤分类 | 第23-25页 |
| 2.3 评分预测测评方法 | 第25-27页 |
| 2.3.1 预测准确性 | 第25-26页 |
| 2.3.2 分类准确性 | 第26-27页 |
| 2.4 本章小结 | 第27-30页 |
| 第三章 基于深度学习的推荐系统 | 第30-40页 |
| 3.1 深度学习相关技术 | 第30-35页 |
| 3.1.1 自编码器 | 第30-31页 |
| 3.1.2 受限玻尔兹曼机 | 第31-32页 |
| 3.1.3 深度信念网络 | 第32-33页 |
| 3.1.4 卷积神经网络 | 第33-34页 |
| 3.1.5 循环神经网络 | 第34-35页 |
| 3.2 基于深度学习的推荐系统 | 第35-39页 |
| 3.2.1 基于深度学习和内容的推荐系统 | 第36-37页 |
| 3.2.2 基于深度学习和协同过滤的推荐系统 | 第37-38页 |
| 3.2.3 基于深度学习和混合推荐的推荐系统 | 第38-39页 |
| 3.3 本章小结 | 第39-40页 |
| 第四章 动态选择的时间均模型 | 第40-52页 |
| 4.1 均模型的原理及性质 | 第40-41页 |
| 4.1.1 均模型基本原理 | 第40-41页 |
| 4.1.2 均模型基本性质 | 第41页 |
| 4.2 增量均模型改进研究 | 第41-47页 |
| 4.2.1 增量均模型 | 第42-43页 |
| 4.2.2 增量均模型所面临的挑战 | 第43页 |
| 4.2.3 增量均模型算法改进 | 第43-47页 |
| 4.3 实验与分析 | 第47-51页 |
| 4.3.1 实验环境和数据集 | 第47页 |
| 4.3.2 实验结果与分析 | 第47-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 基于SDAE和时间均模型混合的协同过滤推荐算法 | 第52-62页 |
| 5.1 时间均模型改进研究 | 第52-54页 |
| 5.1.1 栈式降噪自动编码 | 第52-53页 |
| 5.1.2 时间均模型 | 第53-54页 |
| 5.2 基于SDAE和时间均模型混合的协同过滤推荐算法 | 第54-58页 |
| 5.3 实验结果与分析 | 第58-61页 |
| 5.3.1 实验环境与数据集 | 第58页 |
| 5.3.2 实验结果与分析 | 第58-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 全文总结 | 第62-63页 |
| 6.2 研究展望 | 第63-64页 |
| 参考文献 | 第64-70页 |
| 致谢 | 第70-72页 |
| 攻读硕士学位期间发表的论文 | 第72页 |