| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 本文研究内容与组织结构 | 第15-18页 |
| 1.3.1 论文研究内容 | 第15页 |
| 1.3.2 论文组织结构 | 第15-18页 |
| 第2章 相关理论与技术 | 第18-28页 |
| 2.1 推荐领域相关介绍 | 第18-19页 |
| 2.1.1 单领域推荐系统的基本概念 | 第18页 |
| 2.1.2 跨域推荐系统的基本概念 | 第18-19页 |
| 2.2 协同过滤推荐算法理论研究 | 第19-23页 |
| 2.2.1 基于矩阵分解的单域推荐方法 | 第19-22页 |
| 2.2.2 基于联合矩阵的跨域推荐方法 | 第22-23页 |
| 2.3 相似性度量方法的理论研究 | 第23-26页 |
| 2.3.1 欧几里得距离相似度 | 第24页 |
| 2.3.2 余弦相似度 | 第24-25页 |
| 2.3.3 修正的皮尔逊相似度 | 第25页 |
| 2.3.4 Jaccard相似度 | 第25-26页 |
| 2.4 推荐算法评估方法 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 基于评分可靠性的跨域个性化推荐方法 | 第28-40页 |
| 3.1 问题的提出 | 第28-29页 |
| 3.2 推荐流程 | 第29-30页 |
| 3.3 基于用户评分可靠性设置阈值 | 第30-34页 |
| 3.3.1 计算用户评分可靠性 | 第30-31页 |
| 3.3.2 根据用户评分可靠性设置阈值 | 第31页 |
| 3.3.3 跨域推荐处理阶段 | 第31-34页 |
| 3.4 实验评估 | 第34-38页 |
| 3.4.1 实验数据 | 第34页 |
| 3.4.2 对比模型 | 第34-35页 |
| 3.4.3 实验设计 | 第35页 |
| 3.4.4 实验评估方法 | 第35页 |
| 3.4.5 实验结果及分析 | 第35-38页 |
| 3.5 本章小结 | 第38-40页 |
| 第4章 基于用户相似度自学习的跨域推荐方法 | 第40-56页 |
| 4.1 问题的提出 | 第40-41页 |
| 4.2 推荐流程 | 第41-43页 |
| 4.3 基于用户相似度自学习的跨域推荐方法 | 第43-50页 |
| 4.3.1 用户相似度的改进算法 | 第43-45页 |
| 4.3.2 联合跨域的自学习用户相似度算法 | 第45-48页 |
| 4.3.3 预测融入用户相似度的用户-物品评分矩阵算法 | 第48-50页 |
| 4.4 基于阈值和用户相似度自学习的跨域推荐方法 | 第50-51页 |
| 4.5 实验评估 | 第51-55页 |
| 4.5.1 实验数据 | 第51页 |
| 4.5.2 对比模型 | 第51-52页 |
| 4.5.3 实验设计 | 第52页 |
| 4.5.4 实验评估方法 | 第52-53页 |
| 4.5.5 实验结果及分析 | 第53-55页 |
| 4.6 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64页 |