| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 主要符号说明 | 第7-8页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景和意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.3 研究内容和创新 | 第11页 |
| 1.3.1 研究内容 | 第11页 |
| 1.3.2 主要创新点 | 第11页 |
| 1.4 论文结构安排 | 第11-13页 |
| 第二章 推荐系统算法研究概论 | 第13-24页 |
| 2.1 推荐系统概念 | 第13页 |
| 2.2 传统的推荐算法介绍 | 第13-21页 |
| 2.2.1 基于内容的推荐算法 | 第13-15页 |
| 2.2.2 协同过滤推荐算法 | 第15-20页 |
| 2.2.3 混合推荐算法 | 第20-21页 |
| 2.3 基于标签的推荐算法介绍 | 第21-23页 |
| 2.3.1 标签的概念 | 第21页 |
| 2.3.2 基于标签的推荐算法 | 第21-23页 |
| 2.4 现有推荐算法的缺陷 | 第23页 |
| 2.5 本章总结 | 第23-24页 |
| 第三章 张量及张量分解方法 | 第24-32页 |
| 3.1 张量的定义和概念 | 第24-27页 |
| 3.2 降维技术 | 第27-28页 |
| 3.3 张量的分解方法 | 第28-31页 |
| 3.3.1 Candecomp/Parafac分解算法 | 第28-29页 |
| 3.3.2 Tucker分解算法 | 第29-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 基于张量分解的用户聚类标签推荐方法 | 第32-46页 |
| 4.1 算法思想 | 第32页 |
| 4.2 相关定义 | 第32-35页 |
| 4.2.1 推荐系统的表示 | 第32-33页 |
| 4.2.2 数据集的表示 | 第33-34页 |
| 4.2.3 权值的定义 | 第34-35页 |
| 4.2.4 张量模型定义 | 第35页 |
| 4.3 张量的形式化表示 | 第35-39页 |
| 4.3.1 0/1解释表现形式 | 第35-36页 |
| 4.3.2 基于标注排序解释的表现形式 | 第36-37页 |
| 4.3.3 综合权值的表现形式 | 第37-39页 |
| 4.4 用户聚类标签推荐方法 | 第39-45页 |
| 4.4.1 数据的预处理 | 第39页 |
| 4.4.2 用户的聚类 | 第39-41页 |
| 4.4.3 综合权重的计算 | 第41-42页 |
| 4.4.4 张量分解 | 第42-44页 |
| 4.4.5 生成推荐列表 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 实验结果比较与分析 | 第46-54页 |
| 5.1 实验数据集 | 第46页 |
| 5.2 参数设置 | 第46-47页 |
| 5.3 实验评价标准 | 第47页 |
| 5.4 实验结果分析 | 第47-53页 |
| 5.5 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-55页 |
| 6.1 总结 | 第54页 |
| 6.2 展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 个人简历在读期间的科研成果 | 第58-59页 |
| 致谢 | 第59页 |