| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 缩写符号对照表 | 第15-17页 |
| 1 绪论 | 第17-27页 |
| 1.1 研究背景和意义 | 第17-19页 |
| 1.2 推荐系统面临的主要问题和挑战 | 第19-22页 |
| 1.2.1 数据稀疏性问题 | 第20页 |
| 1.2.2 基于隐式反馈的推荐技术存在问题 | 第20-22页 |
| 1.3 论文的研究内容 | 第22-25页 |
| 1.4 论文的组织结构 | 第25-27页 |
| 2 协同过滤推荐技术相关研究综述 | 第27-60页 |
| 2.1 推荐系统概述 | 第27-30页 |
| 2.1.1 推荐系统的相关定义 | 第27-29页 |
| 2.1.2 常用推荐算法的分类 | 第29-30页 |
| 2.2 协同过滤推荐算法 | 第30-46页 |
| 2.2.1 基本工作原理 | 第31-32页 |
| 2.2.2 基于近邻的协同过滤推荐算法 | 第32-34页 |
| 2.2.3 基于矩阵分解的协同过滤推荐算法 | 第34-38页 |
| 2.2.4 基于隐式反馈的排序学习推荐算法 | 第38-46页 |
| 2.3 “名医网”健康服务平台介绍及数据集说明 | 第46-54页 |
| 2.3.1 “名医网”健康服务平台基本情况介绍 | 第46-50页 |
| 2.3.2 数据集说明 | 第50-54页 |
| 2.4 推荐系统评测指标 | 第54-59页 |
| 2.4.1 评分预测准确度 | 第55页 |
| 2.4.2 Top-N推荐准确度 | 第55-57页 |
| 2.4.3 排序准确度 | 第57-59页 |
| 2.5 本章小结 | 第59-60页 |
| 3 融合多种用户行为重合依赖度的协同过滤推荐算法 | 第60-78页 |
| 3.1 引言 | 第60-62页 |
| 3.2 传统相似度计算存在的问题 | 第62-65页 |
| 3.3 融合多种用户行为重合依赖度的协同过滤推荐算法 | 第65-70页 |
| 3.3.1 基于重合依赖度的相似度计算方法 | 第65-68页 |
| 3.3.2 融合多种用户行为重合依赖度的协同过滤推荐算法 | 第68-69页 |
| 3.3.3 算法描述 | 第69-70页 |
| 3.4 实验与分析 | 第70-76页 |
| 3.4.1 数据集说明 | 第70页 |
| 3.4.2 评价指标与实验说明 | 第70-71页 |
| 3.4.3 传统相似度计算方法的预测准确度对比 | 第71-72页 |
| 3.4.4 基于重合依赖度的相似度计算方法预测准确度对比 | 第72-74页 |
| 3.4.5 权重因子的影响 | 第74-75页 |
| 3.4.6 与其他算法的预测准确度对比 | 第75-76页 |
| 3.5 本章小结 | 第76-78页 |
| 4 基于混合类型项目集对级偏好的排序学习推荐算法 | 第78-108页 |
| 4.1 引言 | 第78-81页 |
| 4.2 问题描述 | 第81-83页 |
| 4.2.1 相关定义 | 第82页 |
| 4.2.2 基于混合类型项目集对级偏好的排序学习问题定义 | 第82-83页 |
| 4.3 基于混合类型项目集对级偏好的排序学习推荐算法 | 第83-90页 |
| 4.3.1 模型假设 | 第83-86页 |
| 4.3.2 模型构建 | 第86-87页 |
| 4.3.3 模型训练和参数学习 | 第87-90页 |
| 4.4 实验与分析 | 第90-107页 |
| 4.4.1 数据集说明 | 第90-91页 |
| 4.4.2 评价指标 | 第91页 |
| 4.4.3 对比算法 | 第91-92页 |
| 4.4.4 参数设置 | 第92-93页 |
| 4.4.5 性能对比 | 第93-99页 |
| 4.4.6 项目集合大小的影响 | 第99-105页 |
| 4.4.7 混合类型项目集合中不同类型项目占比的影响 | 第105-107页 |
| 4.5 本章小结 | 第107-108页 |
| 5 基于多关系隐式反馈的排序学习推荐算法 | 第108-133页 |
| 5.1 引言 | 第108-110页 |
| 5.2 问题描述 | 第110-113页 |
| 5.2.1 相关定义 | 第110-112页 |
| 5.2.2 基于多关系隐式反馈的排序学习问题定义 | 第112-113页 |
| 5.3 基于多关系隐式反馈的排序学习推荐算法 | 第113-122页 |
| 5.3.1 模型偏好假设 | 第113-115页 |
| 5.3.2 模型构建 | 第115-116页 |
| 5.3.3 辅助系数的计算方法 | 第116-118页 |
| 5.3.4 模型训练和参数学习 | 第118-122页 |
| 5.4 实验与分析 | 第122-131页 |
| 5.4.1 数据集说明 | 第122-124页 |
| 5.4.2 评价指标 | 第124页 |
| 5.4.3 对比算法 | 第124页 |
| 5.4.4 参数设置 | 第124-125页 |
| 5.4.5 性能对比 | 第125-128页 |
| 5.4.6 模型偏好假设的影响 | 第128-130页 |
| 5.4.7 辅助系数m_(uik)的影响 | 第130-131页 |
| 5.5 本章小结 | 第131-133页 |
| 6 基于多关系隐式反馈置信度的排序学习推荐算法 | 第133-151页 |
| 6.1 引言 | 第133-134页 |
| 6.2 问题描述 | 第134-136页 |
| 6.2.1 相关定义 | 第135-136页 |
| 6.2.2 基于多关系隐式反馈置信度的排序学习问题定义 | 第136页 |
| 6.3 基于多关系隐式反馈置信度的排序学习推荐算法 | 第136-142页 |
| 6.3.1 模型构建 | 第136-138页 |
| 6.3.2 置信度计算 | 第138-141页 |
| 6.3.3 模型训练和参数学习 | 第141-142页 |
| 6.4 实验与分析 | 第142-149页 |
| 6.4.1 数据集说明 | 第143页 |
| 6.4.2 评价指标 | 第143页 |
| 6.4.3 对比算法 | 第143-144页 |
| 6.4.4 参数设置 | 第144页 |
| 6.4.5 性能对比 | 第144-147页 |
| 6.4.6 置信度计算方法的影响 | 第147-148页 |
| 6.4.7 不同阈值取值的影响 | 第148-149页 |
| 6.5 本章小结 | 第149-151页 |
| 7 总结与展望 | 第151-154页 |
| 7.1 论文总结 | 第151-152页 |
| 7.2 研究展望 | 第152-154页 |
| 参考文献 | 第154-164页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第164-166页 |
| 致谢 | 第166-167页 |
