| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 课题背景 | 第11-13页 |
| 1.1.1 推荐算法的出现 | 第11页 |
| 1.1.2 单一推荐算法的局限性 | 第11-12页 |
| 1.1.3 集成的必要性 | 第12-13页 |
| 1.2 本文的目标与内容 | 第13-14页 |
| 1.3 本文组织 | 第14页 |
| 1.4 本章小结 | 第14-16页 |
| 第2章 推荐技术概述 | 第16-28页 |
| 2.1 推荐算法概述 | 第16-24页 |
| 2.1.1 概率矩阵分解算法 | 第17-18页 |
| 2.1.2 综合多种附加信息的推荐算法 | 第18-24页 |
| 2.2 集成学习概述 | 第24-26页 |
| 2.2.1 集成学习模型 | 第24-25页 |
| 2.2.2 集成学习算法 | 第25-26页 |
| 2.3 集成学习在推荐中的应用 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 综合单一附加信息的弱推荐算法 | 第28-40页 |
| 3.1 综合物品内容的推荐算法 | 第28-30页 |
| 3.1.1 提取内容 | 第28-30页 |
| 3.1.1.1 数据准备 | 第29页 |
| 3.1.1.2 LDA提取主题 | 第29-30页 |
| 3.1.2 训练综合物品内容的弱推荐器 | 第30页 |
| 3.2 综合物品属性的推荐算法 | 第30-31页 |
| 3.2.1 提取属性 | 第30-31页 |
| 3.2.2 训练综合物品属性的弱推荐器 | 第31页 |
| 3.3 综合用户属性的推荐算法 | 第31-32页 |
| 3.3.1 提取用户属性 | 第31页 |
| 3.3.2 训练综合用户属性的弱推荐器 | 第31-32页 |
| 3.4 实验与分析 | 第32-39页 |
| 3.4.1 PMF的推荐结果 | 第32-33页 |
| 3.4.2 三个推荐器的推荐结果 | 第33-37页 |
| 3.4.2.1 综合物品内容的推荐结果 | 第33-34页 |
| 3.4.2.2 综合物品属性的推荐结果 | 第34-35页 |
| 3.4.2.3 综合用户属性的推荐结果 | 第35-37页 |
| 3.4.3 综合实验结果对比 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 综合多种附加信息的集成推荐 | 第40-53页 |
| 4.1 集成推荐的前提条件 | 第40-41页 |
| 4.2 自定义权重法 | 第41-42页 |
| 4.3 梯度下降学习权重法 | 第42-43页 |
| 4.4 Stacking法 | 第43-45页 |
| 4.5 实验与分析 | 第45-52页 |
| 4.5.1 三个集成算法的实验结果 | 第45-50页 |
| 4.5.1.1 自定义权重法的实验结果 | 第45页 |
| 4.5.1.2 梯度下降学习权重法的实验结果 | 第45-47页 |
| 4.5.1.3 Stacking法的实验结果 | 第47-50页 |
| 4.5.2 集成算法与CAT算法的对比 | 第50-52页 |
| 4.6 本章小结 | 第52-53页 |
| 第5章 基于用户兴趣迁移模式聚类的推荐算法(RUC算法) | 第53-69页 |
| 5.1 RUC算法 | 第53-56页 |
| 5.1.1 计算用户兴趣迁移矩阵 | 第53页 |
| 5.1.2 将用户按兴趣迁移模式聚类 | 第53-56页 |
| 5.1.2.1 利用矩阵全部值 | 第54页 |
| 5.1.2.2 利用矩阵对角线值 | 第54-55页 |
| 5.1.2.3 利用矩阵奇异值 | 第55-56页 |
| 5.1.3 按聚类结果分类推荐 | 第56页 |
| 5.2 实验与分析 | 第56-68页 |
| 5.2.1 聚类结果 | 第56-58页 |
| 5.2.2 分类推荐结果 | 第58-68页 |
| 5.3 本章小结 | 第68-69页 |
| 第6章 总结及展望 | 第69-71页 |
| 6.1 总结 | 第69页 |
| 6.2 展望 | 第69-71页 |
| 参考文献 | 第71-73页 |
| 攻读硕士学位期间主要的研究成果 | 第73-75页 |
| 致谢 | 第75页 |