| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 Web社区推荐研究现状 | 第13-14页 |
| 1.2.2 冷启动问题研究现状 | 第14页 |
| 1.2.3 深度学习在推荐系统中的应用研究现状 | 第14-16页 |
| 1.3 本论文研究内容及章节安排 | 第16-19页 |
| 1.3.1 本论文研究内容 | 第16-17页 |
| 1.3.2 本论文章节安排 | 第17-19页 |
| 第2章 相关理论基础与分析 | 第19-25页 |
| 2.1 推荐系统 | 第19-21页 |
| 2.1.1 推荐算法 | 第19-20页 |
| 2.1.2 评价指标 | 第20-21页 |
| 2.2 神经网络 | 第21-23页 |
| 2.2.1 神经网络的分类 | 第21页 |
| 2.2.2 学习过程 | 第21-22页 |
| 2.2.3 深度神经网络 | 第22-23页 |
| 2.3 利用神经网络解决推荐问题 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 一种新的基于RBM-ICF的Web社区推荐算法 | 第25-36页 |
| 3.1 引言 | 第25页 |
| 3.2 RBM模型原理 | 第25-28页 |
| 3.2.1 网络结构 | 第25-26页 |
| 3.2.2 主要参数 | 第26页 |
| 3.2.3 学习过程 | 第26-28页 |
| 3.3 基于RBM-ICF的Web社区推荐新算法 | 第28-35页 |
| 3.3.1 问题提出 | 第28页 |
| 3.3.2 算法思想 | 第28-29页 |
| 3.3.3 算法描述与实现 | 第29-33页 |
| 3.3.4 算法分析 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 一种基于CD-DNN的Web社区推荐新算法 | 第36-47页 |
| 4.1 引言 | 第36页 |
| 4.2 DNN算法简介 | 第36-38页 |
| 4.2.1 基本结构 | 第36-37页 |
| 4.2.2 重要参数 | 第37页 |
| 4.2.3 训练过程 | 第37-38页 |
| 4.3 一种新的基于CD-DNN的Web社区推荐算法 | 第38-46页 |
| 4.3.1 问题提出 | 第39页 |
| 4.3.2 算法思想 | 第39-40页 |
| 4.3.3 算法描述与实现 | 第40-45页 |
| 4.3.4 算法分析 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 算法应用与实验结果分析 | 第47-64页 |
| 5.1 算法应用系统的框架设计 | 第47页 |
| 5.2 算法实验环境 | 第47-48页 |
| 5.3 数据准备及分析的实现 | 第48-54页 |
| 5.3.1 数据爬取 | 第48-50页 |
| 5.3.2 数据分析 | 第50-54页 |
| 5.4 实验评价指标 | 第54-55页 |
| 5.5 推荐结果评价 | 第55-62页 |
| 5.5.1 基于RBM-ICF的推荐算法实验结果分析 | 第55-58页 |
| 5.5.2 基于CD-DNN的推荐算法实验结果分析 | 第58-62页 |
| 5.5.3 与其他推荐算法对比实验结果分析 | 第62页 |
| 5.6 本章小结 | 第62-64页 |
| 结论与展望 | 第64-66页 |
| 结论 | 第64页 |
| 进一步工作 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第72页 |
