| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第一章 绪论 | 第9-14页 |
| ·课题的研究背景 | 第9-10页 |
| ·个性化推荐算法的历史与研究现状 | 第10-11页 |
| ·迁移学习的历史与研究现状 | 第11-12页 |
| ·本文的主要工作 | 第12-13页 |
| ·本文的组织架构 | 第13-14页 |
| 第二章 个性化推荐基本算法 | 第14-27页 |
| ·基于内容的推荐算法 | 第14-16页 |
| ·基于关联规则的推荐算法 | 第16-17页 |
| ·协同过滤算法 | 第17-24页 |
| ·基于内存的协同过滤算法 | 第19-23页 |
| ·基于模型的协同过滤算法 | 第23-24页 |
| ·其他推荐算法 | 第24页 |
| ·推荐算法评估 | 第24-25页 |
| ·本章小结 | 第25-27页 |
| 第三章 迁移学习介绍 | 第27-35页 |
| ·迁移学习的分类 | 第27-29页 |
| ·迁移学习的方法 | 第29页 |
| ·迁移学习的研究现状及典型算法 | 第29-34页 |
| ·归纳迁移学习 | 第29-32页 |
| ·转导迁移学习 | 第32-33页 |
| ·无监督迁移学习 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第四章 基于TradaBoost的协同过滤推荐算法 | 第35-50页 |
| ·Tradaboost算法 | 第35-39页 |
| ·AdaBoost算法 | 第35-36页 |
| ·TradaBoost算法 | 第36-39页 |
| ·类簇平滑技术 | 第39-41页 |
| ·具有线性融合性能的类簇平滑技术 | 第41-43页 |
| ·TradaBoost算法与协同过滤算法的融合 | 第43-46页 |
| ·实验数据与结果分析 | 第46-49页 |
| ·实验数据集 | 第46页 |
| ·实验结果 | 第46-49页 |
| ·本章小结 | 第49-50页 |
| 第五章 结论 | 第50-52页 |
| ·本文工作总结 | 第50页 |
| ·后续工作及展望 | 第50-52页 |
| 参考文献 | 第52-57页 |
| 攻读学位期间发表学术论文 | 第57-58页 |
| 致谢 | 第58页 |