| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 研究意义与背景 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 二部图推荐算法 | 第11-12页 |
| 1.2.2 可信度 | 第12-14页 |
| 1.2.3 深度学习 | 第14-16页 |
| 1.3 本文的主要工作及内容安排 | 第16-17页 |
| 1.4 本文的论文框架 | 第17-18页 |
| 第二章 相关知识 | 第18-35页 |
| 2.1 二部图推荐算法原理介绍 | 第18-23页 |
| 2.1.1 二部图 | 第18-19页 |
| 2.1.2 基于物质扩散的二部图推荐算法 | 第19-22页 |
| 2.1.3 基于热传导的二部图推荐算法 | 第22-23页 |
| 2.2 可信度算法介绍 | 第23-27页 |
| 2.2.0 可信度的概念及分类 | 第23-24页 |
| 2.2.1 基于显性可信度的推荐方法 | 第24-26页 |
| 2.2.2 基于隐性可信度的推荐方法 | 第26-27页 |
| 2.3 深度学习算法介绍 | 第27-34页 |
| 2.3.1 相关背景及sigmoid函数 | 第27-29页 |
| 2.3.2 波尔兹曼机介绍 | 第29-30页 |
| 2.3.3 受限波尔兹曼机 | 第30-32页 |
| 2.3.4 学习算法 | 第32-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 基于深度学习的可信度评估算法 | 第35-49页 |
| 3.1 推荐系统的攻击简介 | 第35-36页 |
| 3.2 可信度算法的相关研究 | 第36-39页 |
| 3.2.1 用户可信度算法 | 第36-37页 |
| 3.2.2 算法分析 | 第37-39页 |
| 3.2.3 改进思路 | 第39页 |
| 3.3 基于深度学习的可信度算法 | 第39-45页 |
| 3.3.1 构建“均分”用户 | 第39-40页 |
| 3.3.2 深度学习算法 | 第40-42页 |
| 3.3.3 受限波尔兹曼机与选取可信用户集算法的关系 | 第42-43页 |
| 3.3.4 算法步骤 | 第43-45页 |
| 3.4 实验分析 | 第45-48页 |
| 3.4.1 数据集 | 第45页 |
| 3.4.2 度量标准 | 第45页 |
| 3.4.3 可信度算法比较 | 第45-47页 |
| 3.4.4 评分个数阈值选取对算法精度的影响 | 第47-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第四章 加权二部图推荐算法进一步研究 | 第49-64页 |
| 4.1 基于加权二部图推荐算法 | 第49-53页 |
| 4.1.1 相似度计算 | 第49-50页 |
| 4.1.2 生成推荐 | 第50-51页 |
| 4.1.3 算法分析 | 第51-52页 |
| 4.1.4 改进思路 | 第52-53页 |
| 4.2 改进算法 | 第53-56页 |
| 4.2.1 评分权重及用户相似度的改进算法 | 第53-55页 |
| 4.2.2 基于最近邻居集合的预测算法改进 | 第55-56页 |
| 4.3 算法流程图 | 第56-58页 |
| 4.4 算法复杂度分析 | 第58页 |
| 4.5 实验分析 | 第58-63页 |
| 4.5.1 数据集 | 第58页 |
| 4.5.2 度量标准 | 第58-59页 |
| 4.5.3 预测算法比较 | 第59页 |
| 4.5.4 改进的相似度算法的比较 | 第59-61页 |
| 4.5.5 hill系数对推荐精度的影响 | 第61-62页 |
| 4.5.6 评分权重对推荐精度的影响 | 第62-63页 |
| 4.6 本章小结 | 第63-64页 |
| 第五章 推荐系统设计 | 第64-70页 |
| 5.1 系统构架 | 第64-65页 |
| 5.2 软件系统结构 | 第65-68页 |
| 5.2.1 系统软件介绍 | 第65页 |
| 5.2.2 数据库设计 | 第65-66页 |
| 5.2.3 登录注册模块 | 第66-67页 |
| 5.2.4 评分留言模块 | 第67页 |
| 5.2.5 可信度评估模块 | 第67-68页 |
| 5.2.6 推荐模块和关键字搜索 | 第68页 |
| 5.3 本章小结 | 第68-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 作者简介在读期间发表的学术论文 | 第76-77页 |
| 致谢 | 第77页 |