| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景、目的和意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 研究目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 国外研究现状 | 第11-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 推荐算法面临的主要挑战 | 第14-15页 |
| 1.3.1 数据稀疏 | 第14页 |
| 1.3.2 冷启动 | 第14页 |
| 1.3.3 系统可扩展性 | 第14-15页 |
| 1.3.4 稳定性问题 | 第15页 |
| 1.4 主要研究工作及内容安排 | 第15-17页 |
| 第二章 个性化推荐系统及相关技术介绍 | 第17-28页 |
| 2.1 个性化推荐系统简介 | 第17-20页 |
| 2.1.1 个性化推荐系统的概念 | 第17页 |
| 2.1.2 个性化推荐系统的总体框架结构 | 第17-20页 |
| 2.2 推荐算法分类 | 第20-24页 |
| 2.2.1 基于内容推荐 | 第20-21页 |
| 2.2.2 协同过滤推荐 | 第21-22页 |
| 2.2.3 基于知识推荐 | 第22-23页 |
| 2.2.4 组合推荐 | 第23-24页 |
| 2.3 推荐算法的评价 | 第24-27页 |
| 2.3.1 用户满意度 | 第24-25页 |
| 2.3.2 预测准确率 | 第25-26页 |
| 2.3.3 覆盖率 | 第26页 |
| 2.3.4 多样性 | 第26-27页 |
| 2.3.5 新颖性 | 第27页 |
| 2.3.6 实时性 | 第27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 结合用户特征分类和动态时间的协同过滤推荐 | 第28-44页 |
| 3.1 基于用户的协同过滤推荐算法概述 | 第28-30页 |
| 3.1.1 推荐系统数据集定义 | 第28-29页 |
| 3.1.2 相似性计算方法 | 第29-30页 |
| 3.1.3 评分预测 | 第30页 |
| 3.2 稀疏性及冷启动问题解决方法 | 第30-33页 |
| 3.2.1 稀疏性问题解决方法 | 第30页 |
| 3.2.2 冷启动问题解决方法 | 第30-33页 |
| 3.2.2.1 用户特征相似度建模 | 第31页 |
| 3.2.2.2 基于用户特征的协同过滤推荐过程 | 第31-33页 |
| 3.3 问题的提出 | 第33页 |
| 3.4 提出结合用户特征分类和动态时间的协同过滤推荐 | 第33-37页 |
| 3.4.1 改进的用户特征相似度计算方法 | 第34页 |
| 3.4.2 提出基于用户特征分类计算相似度 | 第34-35页 |
| 3.4.3 用户特征分类后相似性计算 | 第35-36页 |
| 3.4.4 用户特征的动态性 | 第36-37页 |
| 3.4.5 结合用户特征动态变化和项目评分的相似性计算 | 第37页 |
| 3.4.6 算法描述 | 第37页 |
| 3.5 算法验证 | 第37-43页 |
| 3.5.1 数据集 | 第37-38页 |
| 3.5.2 评价标准 | 第38页 |
| 3.5.3 结果分析 | 第38-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 基于降噪自编码推荐算法的研究 | 第44-53页 |
| 4.1 引言 | 第44-45页 |
| 4.2 深度学习介绍 | 第45页 |
| 4.3 提出降噪自编码推荐算法研究 | 第45-49页 |
| 4.3.1 自编码器（AE） | 第45-47页 |
| 4.3.2 ZCA白化处理 | 第47-48页 |
| 4.3.3 DAE（降噪自编码） | 第48-49页 |
| 4.4 DAE算法的主要步骤 | 第49-50页 |
| 4.5 算法验证 | 第50-52页 |
| 4.5.1 实验数据 | 第50页 |
| 4.5.2 评价方法 | 第50页 |
| 4.5.3 结果分析 | 第50-52页 |
| 4.6 本章小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 工作总结 | 第53-54页 |
| 5.2 工作展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58-59页 |
| 攻读学位期间的研究成果 | 第59-60页 |