| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景与意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 论文的组织结构 | 第11-13页 |
| 第二章 个性化推荐系统 | 第13-22页 |
| 2.1 | 第13-22页 |
| 2.1.1 协同过滤推荐算法 | 第13-19页 |
| 2.1.2 基于内容的推荐算法 | 第19-20页 |
| 2.1.3 混合推荐算法 | 第20-22页 |
| 第三章 上下文感知推荐系统 | 第22-27页 |
| 3.1 上下文概念 | 第22-23页 |
| 3.2 基于上下文感知推荐系统框架 | 第23-26页 |
| 3.3 本章小结 | 第26-27页 |
| 第四章 基于上下文学习和张量分解的个性化推荐 | 第27-35页 |
| 4.1 张量分解模型 | 第27-28页 |
| 4.2 上下文信息融合到张量分解的推荐算法 | 第28-31页 |
| 4.2.1 基于项目上下文信息的用户最近邻选择 | 第28-29页 |
| 4.2.2 基于用户上下文信息的项目最近邻选择 | 第29页 |
| 4.2.3 基于上下文信息张量模型的建立 | 第29-30页 |
| 4.2.4 基于上下文学习和张量分解的个性化推荐算法 | 第30-31页 |
| 4.3 模拟实验 | 第31-34页 |
| 4.3.1 数据集描述 | 第31页 |
| 4.3.2 评价标准 | 第31-32页 |
| 4.3.3 CATD上下文预测算法性能比较 | 第32-34页 |
| 4.4 本章小结 | 第34-35页 |
| 第五章 基于核方法和上下文感知的协同过滤推荐算法 | 第35-41页 |
| 5.1 数据表示和兴趣模型的建立 | 第35页 |
| 5.2 用户的分类相似度和项目的分类相似度 | 第35-36页 |
| 5.2.1 项目上下文分类相似度 | 第36页 |
| 5.2.2 用户上下文分类相似度 | 第36页 |
| 5.3 用户兴趣估计和项目兴趣估计 | 第36-38页 |
| 5.3.1 用户相似度计算和项目相似度计算 | 第37-38页 |
| 5.4 上下文信息融合到核方法的推荐方法 | 第38页 |
| 5.5 实验结果及其分析 | 第38-40页 |
| 5.5.1 数据集 | 第38-39页 |
| 5.5.2 评估标准 | 第39页 |
| 5.5.3 实验结果及分析 | 第39-40页 |
| 5.6 本章小结 | 第40-41页 |
| 第六章 总结与展望 | 第41-43页 |
| 6.1 研究工作总结 | 第41页 |
| 6.2 研究工作展望 | 第41-43页 |
| 参考文献 | 第43-48页 |
| 攻读硕士学位期间的主要成果 | 第48-49页 |
| 致谢 | 第49页 |