| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 课题背景 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-18页 |
| 1.2.1 基于内容的推荐算法 | 第12-13页 |
| 1.2.2 基于近邻的协同过滤算法 | 第13-14页 |
| 1.2.3 基于模型的协同过滤算法 | 第14-17页 |
| 1.2.4 基于Co-occurrence的推荐算法 | 第17-18页 |
| 1.2.5 当前推荐算法的局限性 | 第18页 |
| 1.3 本文的主要工作 | 第18-19页 |
| 1.4 本文组织结构 | 第19-20页 |
| 第2章 相关技术综述 | 第20-30页 |
| 2.1 协同过滤推荐算法 | 第20-24页 |
| 2.1.1 基于近邻的协同过滤 | 第20-21页 |
| 2.1.2 基于模型的协同过滤 | 第21-24页 |
| 2.2 协同主题回归模型 | 第24-26页 |
| 2.3 Item-embedding模型 | 第26-28页 |
| 2.4 物品Co-occurrence模型 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 结合共同购买和主题模型的矩阵分解推荐 | 第30-43页 |
| 3.1 问题定义 | 第31-32页 |
| 3.2 Co-occurrence上下文建模 | 第32-35页 |
| 3.2.1 物品上下文定义 | 第32-33页 |
| 3.2.2 用户上下文定义 | 第33页 |
| 3.2.3 基于文本主题的Co-occurrence | 第33-35页 |
| 3.3 结合共同购买和用户行为主题的概率矩阵分解算法 | 第35-39页 |
| 3.4 模型训练 | 第39-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第4章 实验与分析 | 第43-62页 |
| 4.1 数据数据集介绍 | 第43-49页 |
| 4.1.1 实验数据处理 | 第43-45页 |
| 4.1.2 数据分析 | 第45-49页 |
| 4.2 实验设计 | 第49-51页 |
| 4.2.1 数据集划分 | 第49-50页 |
| 4.2.2 评价标准 | 第50页 |
| 4.2.3 参数训练 | 第50-51页 |
| 4.3 实验结果与分析 | 第51-57页 |
| 4.3.1 权重因子s对模型的影响分析 | 第51-55页 |
| 4.3.2 参数λU,γ对模型的影响分析 | 第55-57页 |
| 4.4 对比方案 | 第57-60页 |
| 4.5 实验总结 | 第60-61页 |
| 4.6 本章小结 | 第61-62页 |
| 第5章 总结与展望 | 第62-64页 |
| 5.1 本文总结 | 第62-63页 |
| 5.2 未来工作展望 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 攻读硕士学位期间主要的研究成果 | 第69-70页 |
| 致谢 | 第70页 |
