| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-14页 |
| 1.1 研究背景 | 第11-13页 |
| 1.2 待研究问题 | 第13页 |
| 1.3 本文工作 | 第13-14页 |
| 第二章 相关工作 | 第14-26页 |
| 2.1 基于协同过滤的推荐系统 | 第14-18页 |
| 2.1.1 基于记忆的协同过滤 | 第15-17页 |
| 2.1.2 基于模型的协同过滤 | 第17-18页 |
| 2.2 加入文本信息的推荐系统 | 第18-20页 |
| 2.2.1 主题建模 | 第18-19页 |
| 2.2.2 主题矩阵分解 | 第19-20页 |
| 2.3 加入社交关系的推荐系统 | 第20-22页 |
| 2.3.1 基于记忆的社会推荐系统 | 第20-21页 |
| 2.3.2 基于模型的社会推荐系统 | 第21-22页 |
| 2.4 推荐系统的评估 | 第22-26页 |
| 2.4.1 基于预测准确性的评估方法 | 第23页 |
| 2.4.2 基于排序准确性的评估方法 | 第23-24页 |
| 2.4.3 决策支撑的评估方法 | 第24-26页 |
| 第三章 基于多源信息融合的推荐系统 | 第26-48页 |
| 3.1 引言 | 第26页 |
| 3.2 利用多源信息的各个组件 | 第26-33页 |
| 3.2.1 利用打分信息 | 第29-30页 |
| 3.2.2 利用社会关系信息 | 第30-31页 |
| 3.2.3 利用评论文本信息 | 第31-33页 |
| 3.3 多源信息融合的问题描述 | 第33页 |
| 3.4 一个多源信息融合模型 | 第33-37页 |
| 3.5 一个扩展社会矩阵分解法 | 第37页 |
| 3.6 实验评估及结果分析 | 第37-45页 |
| 3.6.1 数据集和评估指标 | 第37-39页 |
| 3.6.2 社会推荐方法的比较 | 第39-40页 |
| 3.6.3 评估多源信息融合模型 | 第40-42页 |
| 3.6.4 额外数据源对推荐性能的贡献 | 第42-44页 |
| 3.6.5 多源信息融合模型的超参分析 | 第44-45页 |
| 3.7 小结 | 第45-48页 |
| 第四章 基于隐式反馈挖掘的扩展融合推荐系统 | 第48-59页 |
| 4.1 引言 | 第48页 |
| 4.2 挖掘隐式反馈的动机 | 第48-49页 |
| 4.3 隐式反馈挖掘的扩展融合推荐系统问题描述 | 第49-50页 |
| 4.4 一个挖掘隐式反馈的扩展融合模型 | 第50-52页 |
| 4.5 关于隐式特征矩阵的进一步说明 | 第52-53页 |
| 4.6 实验评估及结果分析 | 第53-57页 |
| 4.6.1 评估挖掘隐式反馈的扩展融合模型 | 第53-54页 |
| 4.6.2 隐式反馈对推荐性能的贡献 | 第54-57页 |
| 4.6.3 挖掘隐式反馈的扩展融合模型的超参分析 | 第57页 |
| 4.7 小结 | 第57-59页 |
| 第五章 模型的学习过程 | 第59-62页 |
| 5.1 学习过程 | 第59-60页 |
| 5.2 参数的梯度 | 第60-62页 |
| 第六章 总结和展望 | 第62-63页 |
| 参考文献 | 第63-70页 |
| 致谢 | 第70-71页 |
| 附录：攻读硕士学位期间发表的论文、获得的奖励、参加的学术活动和参与的科研项目 | 第71-72页 |