| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 符号对照表 | 第9-10页 |
| 缩略语对照表 | 第10-14页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 推荐系统研究历史及现状 | 第15-16页 |
| 1.3 本文主要工作 | 第16-17页 |
| 1.4 本文的结构安排 | 第17-18页 |
| 第二章 位置感知推荐系统的相关理论 | 第18-28页 |
| 2.1 经典推荐系统 | 第18-21页 |
| 2.1.1 基于内容的推荐方法 | 第18页 |
| 2.1.2 基于协同过滤的推荐方法 | 第18-20页 |
| 2.1.3 基于隐式分解的推荐方法 | 第20-21页 |
| 2.2 位置感知方法 | 第21-23页 |
| 2.2.1 幂律法 | 第21-22页 |
| 2.2.2 多中心法 | 第22页 |
| 2.2.3 核密度估计法 | 第22-23页 |
| 2.2.4 隐式分解 | 第23页 |
| 2.3 融合方法 | 第23-24页 |
| 2.3.1 加权型 | 第23页 |
| 2.3.2 归一化型 | 第23-24页 |
| 2.3.3 多目标型 | 第24页 |
| 2.4 推荐系统的评测 | 第24-28页 |
| 2.4.1 准确率 | 第24-26页 |
| 2.4.2 覆盖率 | 第26页 |
| 2.4.3 多样性 | 第26-28页 |
| 第三章 基于多目标进化的媒体推荐算法 | 第28-44页 |
| 3.1 引言 | 第28页 |
| 3.2 相关背景 | 第28-33页 |
| 3.2.1 进化多目标优化基础理论 | 第28-30页 |
| 3.2.2 基于非支配排序的遗传算法NSGA-II | 第30-31页 |
| 3.2.3 传统推荐系统中用户住址信息分析 | 第31-32页 |
| 3.2.4 多目标聚类理论 | 第32-33页 |
| 3.3 基于多目标优化的媒体推荐算法 | 第33-37页 |
| 3.3.1 目标函数 | 第33-35页 |
| 3.3.2 基因编码 | 第35-36页 |
| 3.3.3 遗传操作 | 第36-37页 |
| 3.3.4 模型选择 | 第37页 |
| 3.4 实验及分析 | 第37-42页 |
| 3.4.1 对比算法介绍 | 第37-38页 |
| 3.4.2 参数设置 | 第38页 |
| 3.4.3 数据集介绍 | 第38-39页 |
| 3.4.4 度量标准 | 第39页 |
| 3.4.5 实验结果 | 第39-42页 |
| 3.5 本章小结 | 第42-44页 |
| 第四章 基于分解多目标进化的位置感知推荐算法 | 第44-68页 |
| 4.1 引言 | 第44页 |
| 4.2 相关背景 | 第44-49页 |
| 4.2.1 基于分解的多目标进化算法MOEA/D | 第44-46页 |
| 4.2.2 位置感知推荐系统中的用户分析 | 第46-48页 |
| 4.2.3 核密度估计 | 第48-49页 |
| 4.3 基于MOEA/D的位置感知推荐系统 | 第49-56页 |
| 4.3.1 多目标的优势 | 第49页 |
| 4.3.2 基于分解多目标进化的位置感知推荐框架 | 第49-50页 |
| 4.3.3 目标函数 | 第50-53页 |
| 4.3.4 初始化及编码策略 | 第53页 |
| 4.3.5 遗传操作 | 第53-55页 |
| 4.3.6 模型选择 | 第55-56页 |
| 4.4 实验及分析 | 第56-67页 |
| 4.4.1 对比算法介绍 | 第56-57页 |
| 4.4.2 实验参数 | 第57页 |
| 4.4.3 数据集介绍 | 第57-58页 |
| 4.4.4 实验度量标准 | 第58页 |
| 4.4.5 模型选择有效性 | 第58-59页 |
| 4.4.6 目标函数有效性 | 第59-63页 |
| 4.4.7 融合方法实验对比 | 第63-65页 |
| 4.4.8 稀疏性问题 | 第65-67页 |
| 4.5 本章小结 | 第67-68页 |
| 第五章 总结和展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-76页 |
| 作者简介 | 第76-77页 |