| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 选题背景和意义 | 第9-10页 |
| 1.1.1 背景 | 第9-10页 |
| 1.1.2 意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 国外研究现状 | 第10-12页 |
| 1.2.2 国内研究现状 | 第12-14页 |
| 1.2.3 目前研究现状述评 | 第14页 |
| 1.3 论文主要研究内容 | 第14-15页 |
| 1.4 论文研究方法和技术路线 | 第15-17页 |
| 1.4.1 研究方法 | 第15-16页 |
| 1.4.2 技术路线 | 第16-17页 |
| 2 相关理论 | 第17-28页 |
| 2.1 用户行为数据简介 | 第17-18页 |
| 2.2 基于用户行为数据的推荐算法简介 | 第18-24页 |
| 2.2.1 基于邻域的推荐算法 | 第18-20页 |
| 2.2.2 基于模型的推荐算法 | 第20-22页 |
| 2.2.3 基于图的推荐算法 | 第22-24页 |
| 2.3 推荐算法评价指标 | 第24-26页 |
| 2.3.1 预测准确度指标 | 第24-25页 |
| 2.3.2 多样性与新颖性指标 | 第25-26页 |
| 2.3.3 其他指标 | 第26页 |
| 2.4 推荐算法常用数据集 | 第26-28页 |
| 3 基于最近邻的改进受限玻尔兹曼机协同过滤推荐算法 | 第28-37页 |
| 3.1 基于RBM模型的协同过滤框架 | 第29-31页 |
| 3.2 基于最近邻的改进RBM及算法描述 | 第31-34页 |
| 3.2.1 改进方法 | 第32页 |
| 3.2.2 算法伪代码描述 | 第32-34页 |
| 3.3 实验分析 | 第34-37页 |
| 3.3.1 实验设置 | 第34页 |
| 3.3.2 实验结果及分析 | 第34-37页 |
| 4 基于项目标签改进的受限玻尔兹曼机协同过滤推荐算法 | 第37-44页 |
| 4.1 基于RBM模型的协同过滤算法问题分析 | 第37-38页 |
| 4.2 基于项目标签改进RBM模型的算法描述 | 第38-41页 |
| 4.2.1 改进具体过程 | 第39-40页 |
| 4.2.2 算法伪代码描述 | 第40-41页 |
| 4.3 实验分析 | 第41-44页 |
| 4.3.1 实验设置 | 第41页 |
| 4.3.2 实验结果及分析 | 第41-44页 |
| 5 基于加权网络结构的冷门资源推荐算法 | 第44-54页 |
| 5.1 基于网络结构的推荐算法分析 | 第44-45页 |
| 5.2 基于网络结构的推荐算法改进 | 第45-50页 |
| 5.2.1 算法的改进思路 | 第45-47页 |
| 5.2.2 算法具体实施步骤 | 第47-50页 |
| 5.3 实验分析 | 第50-54页 |
| 5.3.1 实验设置 | 第50页 |
| 5.3.2 实验结果分析 | 第50-54页 |
| 结论 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 攻读学位期间的研究成果 | 第61页 |