| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第9-14页 |
| 1.1 课题研究背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文的后续内容与结构安排 | 第13-14页 |
| 2 推荐算法综述 | 第14-25页 |
| 2.1 推荐算法介绍 | 第14-16页 |
| 2.2 协同过滤推荐算法 | 第16-21页 |
| 2.2.1 近邻模型的协同过滤算法 | 第17-20页 |
| 2.2.2 基于模型的协同过滤算法介绍 | 第20-21页 |
| 2.3 混合推荐算法介绍 | 第21-22页 |
| 2.4 协同过滤算法优缺点和面对的问题 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 3 基于用户近邻模型的混合推荐算法 | 第25-44页 |
| 3.1 属性信息在协同过滤中的应用 | 第25-26页 |
| 3.2 常用相似性度量方法 | 第26-28页 |
| 3.3 基于用户的协同滤波混合推荐模型 | 第28-30页 |
| 3.3.1 One-Hot编码 | 第28-29页 |
| 3.3.2 基于用户的混合协同过滤算法 | 第29-30页 |
| 3.4 实验与分析 | 第30-43页 |
| 3.4.1 实验评价标准 | 第31-32页 |
| 3.4.2 实验结果及分析 | 第32-43页 |
| 3.5 本章小结 | 第43-44页 |
| 4 基于矩阵分解的加权规则矩阵分解模型 | 第44-58页 |
| 4.1 矩阵分解(Matrix Factorization,MF)模型 | 第44-48页 |
| 4.1.1 Basic MF | 第44-45页 |
| 4.1.2 Regularized MF | 第45-46页 |
| 4.1.3 SVD++ | 第46-47页 |
| 4.1.4 非负矩阵分解NMF | 第47-48页 |
| 4.2 梯度下降 | 第48-51页 |
| 4.2.1 批量梯度下降法 | 第48-49页 |
| 4.2.2 随机梯度下降 | 第49页 |
| 4.2.3 小批量梯度下降 | 第49页 |
| 4.2.4 优化梯度下降算法 | 第49-51页 |
| 4.3 正则权重矩阵分解模型 | 第51-53页 |
| 4.4 实验设定 | 第53-54页 |
| 4.4.1 实验数据集 | 第53页 |
| 4.4.2 实验评价指标 | 第53-54页 |
| 4.5 实验结果与分析 | 第54-57页 |
| 4.5.1 正则化系数对性能的影响 | 第55页 |
| 4.5.2 权重值对性能的影响 | 第55-56页 |
| 4.5.3 隐因子数对性能的影响 | 第56-57页 |
| 4.6 本章小结 | 第57-58页 |
| 5 总结与展望 | 第58-60页 |
| 5.1 工作总结 | 第58页 |
| 5.2 未来工作展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 附录 | 第65页 |