| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第10-23页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-19页 |
| 1.2.1 半监督学习研究现状 | 第12-17页 |
| 1.2.2 推荐系统研究现状 | 第17-19页 |
| 1.3 论文研究内容和创新点 | 第19-21页 |
| 1.3.1 论文主要研究内容 | 第19-21页 |
| 1.3.2 论文创新点 | 第21页 |
| 1.4 论文结构 | 第21-23页 |
| 第二章 阶梯网络的提出和学习过程推导 | 第23-35页 |
| 2.1 引言 | 第23-24页 |
| 2.2 阶梯网络的提出 | 第24-27页 |
| 2.2.1 潜变量模型 | 第24-25页 |
| 2.2.2 自编码网络到阶梯网络 | 第25-27页 |
| 2.3 阶梯网络学习的相关方法介绍 | 第27-29页 |
| 2.3.1 相关无监督学习方法 | 第27-29页 |
| 2.3.2 降噪自编码网络的和生成式随机网络 | 第29页 |
| 2.4 阶梯网络学习过程推导 | 第29-34页 |
| 2.4.1 学习规则的递归推导 | 第29-31页 |
| 2.4.2 成本函数的去相关项 | 第31-32页 |
| 2.4.3 阶梯网络的学习规则 | 第32-34页 |
| 本章小结 | 第34-35页 |
| 第三章 基于阶梯网络的半监督学习方法设计与实现 | 第35-42页 |
| 3.1 模型框架构建 | 第35-36页 |
| 3.2 模型的实现 | 第36-41页 |
| 3.2.1 阶梯网络应用的步骤概况 | 第36-37页 |
| 3.2.2 全连接MLP编码器 | 第37-38页 |
| 3.2.3 解码器 | 第38-40页 |
| 3.2.4 CNN编码器的拓展 | 第40-41页 |
| 本章小结 | 第41-42页 |
| 第四章 基于阶梯网络半监督学习的推荐系统建模 | 第42-52页 |
| 4.1 引言 | 第42-44页 |
| 4.2 推荐系统实验方法和测评指标 | 第44-46页 |
| 4.2.1 推荐系统实验方法 | 第44页 |
| 4.2.2 推荐系统评测指标 | 第44-46页 |
| 4.3 基于阶梯网络半监督学习推荐系统模型的构建 | 第46-51页 |
| 4.3.1 基于标签的半监督推荐系统模型构建 | 第46-47页 |
| 4.3.2 基于协同过滤的半监督推荐系统模型构建 | 第47-50页 |
| 4.3.3 基于内容的半监督推荐系统模型构建 | 第50-51页 |
| 本章小结 | 第51-52页 |
| 第五章 实例研究 | 第52-65页 |
| 5.1 基于阶梯网络的半监督学习测试 | 第52-56页 |
| 5.1.1 MNIST数据集测试 | 第52-55页 |
| 5.1.2 卷积神经网络在CIFAR-10数据集测试 | 第55-56页 |
| 5.2 半监督分类算法在导弹仿真数据中应用实验 | 第56-61页 |
| 5.2.1 实例背景介绍 | 第56-59页 |
| 5.2.2 实验部分 | 第59-61页 |
| 5.3 基于阶梯网络的半监督电影推荐系统实例 | 第61-64页 |
| 5.3.1 数据来源 | 第61页 |
| 5.3.2 数据处理 | 第61页 |
| 5.3.3 实验过程与结果分析 | 第61-64页 |
| 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 论文的主要贡献 | 第65-66页 |
| 6.2 进一步工作 | 第66-67页 |
| 致谢 | 第67-69页 |
| 参考文献 | 第69-78页 |
| 作者在学期间取得的学术成果 | 第78-80页 |
| 附录 | 第80-97页 |