| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 研究背景 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 基于内容的推荐算法 | 第13-14页 |
| 1.2.2 基于记忆的协同过滤算法 | 第14-16页 |
| 1.2.3 基于模型的协同过滤算法 | 第16-18页 |
| 1.3 论文的主要工作及组织结构 | 第18-20页 |
| 1.3.1 本文主要工作 | 第18-19页 |
| 1.3.2 本文组织结构 | 第19-20页 |
| 1.4 本章小结 | 第20-21页 |
| 第2章 相关技术综述 | 第21-34页 |
| 2.1 基于内容的推荐算法 | 第21-23页 |
| 2.2 用户-物品评分矩阵 | 第23-24页 |
| 2.3 基于物品的协同过滤 | 第24-25页 |
| 2.4 基于评分矩阵的物品相似度计算 | 第25-26页 |
| 2.5 基于模型的协同过滤算法 | 第26-33页 |
| 2.5.1 概率矩阵分解 | 第26-28页 |
| 2.5.2 协同主题回归算法 | 第28-30页 |
| 2.5.3 隐式因子和隐式主题算法 | 第30-31页 |
| 2.5.4 社交关系正则化算法 | 第31-33页 |
| 2.6 本章小结 | 第33-34页 |
| 第3章 基于物品相似度和主题回归的矩阵分解推荐算法CTR-SIM | 第34-44页 |
| 3.1 CTR-SIM模型定义 | 第34-39页 |
| 3.1.1 概率矩阵分解 | 第34-36页 |
| 3.1.2 主题回归 | 第36-37页 |
| 3.1.3 相似度正则化 | 第37-39页 |
| 3.2 相似度函数的选取 | 第39-41页 |
| 3.2.1 余弦相似度 | 第40页 |
| 3.2.2 杰卡德相似性系数 | 第40-41页 |
| 3.3 使用CTR-SIM模型的推荐算法 | 第41-42页 |
| 3.3.1 训练阶段 | 第41-42页 |
| 3.3.2 预测阶段 | 第42页 |
| 3.4 本章小结 | 第42-44页 |
| 第4章 实验与分析 | 第44-56页 |
| 4.1 数据集 | 第44-45页 |
| 4.2 评价标准 | 第45-46页 |
| 4.3 实验方案 | 第46-47页 |
| 4.4 实验结果与分析 | 第47-55页 |
| 4.4.1 不同参数对模型的影响 | 第47-50页 |
| 4.4.2 对比方案 | 第50-52页 |
| 4.4.3 不同相似度的影响 | 第52-54页 |
| 4.4.4 Top M值对召回率的影响 | 第54-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第5章 总结与展望 | 第56-59页 |
| 5.1 本文工作 | 第56-57页 |
| 5.2 未来工作展望 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64页 |