| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 国外研究现状 | 第11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 相关关键技术 | 第12-16页 |
| 1.3.1 协同过滤算法 | 第12-13页 |
| 1.3.2 多臂赌博机模型 | 第13页 |
| 1.3.3 卷积神经网络算法 | 第13页 |
| 1.3.4 推荐系统评测标准 | 第13-16页 |
| 1.4 研究目标及主要内容 | 第16-17页 |
| 1.5 论文组织结构 | 第17-18页 |
| 第二章 基于多臂赌博机模型的推荐系统冷启动数据配置方法 | 第18-25页 |
| 2.1 问题描述 | 第18页 |
| 2.2 研究动机 | 第18-20页 |
| 2.3 基于多臂赌博机模型的冷启动数据配置算法 | 第20-22页 |
| 2.3.1 设定赌博机参数 | 第20页 |
| 2.3.2 制定推荐策略 | 第20-21页 |
| 2.3.3 更新赌博机模型 | 第21-22页 |
| 2.4 实验验证与分析 | 第22-24页 |
| 2.4.1 点击通过率对比实验 | 第22-23页 |
| 2.4.2 推荐准确率对比实验 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 基于协同过滤与用户意见的推荐系统 流行偏置处理方法 | 第25-33页 |
| 3.1 问题描述 | 第25页 |
| 3.2 研究动机 | 第25-27页 |
| 3.3 基于协同过滤与用户意见的流行偏置算法 | 第27-30页 |
| 3.3.1 判定用户意见 | 第27-28页 |
| 3.3.2 构建置信度函数 | 第28-29页 |
| 3.3.3 计算用户相似度 | 第29-30页 |
| 3.4 实验验证与分析 | 第30-32页 |
| 3.4.1 置信度函数阈值选取实验 | 第30-31页 |
| 3.4.2 算法准确率对比实验 | 第31-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第四章 基于卷积神经网络的推荐系统稀疏数据配置方法 | 第33-42页 |
| 4.1 问题描述 | 第33页 |
| 4.2 研究动机 | 第33-35页 |
| 4.3 基于卷积神经网络的稀疏数据配置算法 | 第35-39页 |
| 4.3.1 构建初始特征 | 第36页 |
| 4.3.2 建立网络结构 | 第36-37页 |
| 4.3.3 前向传播训练 | 第37-38页 |
| 4.3.4 反向传播训练 | 第38-39页 |
| 4.4 实验验证与分析 | 第39-41页 |
| 4.4.1 算法效率对比实验 | 第40页 |
| 4.4.2 推荐准确率对比实验 | 第40-41页 |
| 4.5 本章小结 | 第41-42页 |
| 第五章 基于混合推荐算法的个性化推荐系统的设计与实现 | 第42-49页 |
| 5.1 引言 | 第42页 |
| 5.2 需求分析 | 第42-44页 |
| 5.2.1 系统功能需求 | 第43-44页 |
| 5.2.2 系统性能需求 | 第44页 |
| 5.3 系统设计 | 第44-46页 |
| 5.3.1 总体架构设计 | 第44-45页 |
| 5.3.2 推荐引擎设计 | 第45-46页 |
| 5.4 系统实现 | 第46-48页 |
| 5.5 本章小结 | 第48-49页 |
| 第六章 结论与展望 | 第49-51页 |
| 6.1 全文总结 | 第49页 |
| 6.2 未来展望 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 在学期间的研究成果 | 第55-56页 |
| 致谢 | 第56页 |
