| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 引言 | 第10-15页 |
| 1.1 研究背景和意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 论文主要工作 | 第12-13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第2章 推荐系统相关研究 | 第15-23页 |
| 2.1 推荐系统形式化定义 | 第15-16页 |
| 2.2 基于协同过滤的推荐算法 | 第16-20页 |
| 2.2.1 基于用户的协同过滤推荐算法 | 第16-17页 |
| 2.2.2 基于物品的协同过滤推荐算法 | 第17-19页 |
| 2.2.3 基于模型的协同过滤推荐算法 | 第19-20页 |
| 2.3 基于内容的推荐算法 | 第20-21页 |
| 2.4 混合推荐算法 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 改进的基于Bandit模型的推荐算法 | 第23-32页 |
| 3.1 基于Bandit模型的推荐算法 | 第23-25页 |
| 3.1.1 三类基于Bandit模型的推荐算法 | 第23-24页 |
| 3.1.2 基于内容的Bandit模型定义 | 第24页 |
| 3.1.3 基于Bandit模型的推荐算法存在的问题 | 第24-25页 |
| 3.2 一种基于Bandit模型的多目标优化算法MOOB | 第25-28页 |
| 3.2.1 问题描述 | 第25-26页 |
| 3.2.2 算法设计 | 第26-28页 |
| 3.3 实验与分析 | 第28-31页 |
| 3.3.1 实验数据及环境 | 第28-29页 |
| 3.3.2 实验结果及分析 | 第29-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 改进的基于概率矩阵分解模型的推荐算法 | 第32-43页 |
| 4.1 基于概率矩阵分解模型的推荐方法 | 第32-34页 |
| 4.1.1 概率矩阵分解模型推荐算法研究现状 | 第32-33页 |
| 4.1.2 基于概率矩阵分解模型定义 | 第33-34页 |
| 4.2 一种包含用户属性推荐对象间关联的推荐算法 | 第34-40页 |
| 4.2.1 用户属性信息挖掘方法 | 第35页 |
| 4.2.2 物品间情境相似度计算方法 | 第35-37页 |
| 4.2.3 一种结合用户信息和物品关联的推荐算法FAIPMF | 第37-40页 |
| 4.3 实验与分析 | 第40-42页 |
| 4.3.1 实验数据及环境 | 第40页 |
| 4.3.2 预测精准度分析 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第5章 总结与展望 | 第43-45页 |
| 5.1 工作总结 | 第43页 |
| 5.2 工作展望 | 第43-45页 |
| 参考文献 | 第45-48页 |
| 致谢 | 第48-49页 |
| 附录 A 攻读学位期间获得的成果 | 第49页 |
