| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题背景及意义 | 第10-12页 |
| 1.2 推荐算法的研究现状 | 第12-15页 |
| 1.2.1 基于用户的协同过滤推荐算法研究现状 | 第12-14页 |
| 1.2.2 基于模型的协同过滤推荐算法的研究现状 | 第14-15页 |
| 1.3 研究内容及创新点 | 第15-16页 |
| 1.4 本文的组织结构 | 第16-17页 |
| 第2章 基于核矩阵分解的鲁棒推荐算法 | 第17-29页 |
| 2.1 引言 | 第17页 |
| 2.2 基本矩阵分解模型 | 第17-18页 |
| 2.3 基本定义 | 第18页 |
| 2.4 核矩阵分解模型 | 第18-21页 |
| 2.5 核矩阵分解模型的鲁棒性分析 | 第21-23页 |
| 2.6 用户相似度的计算 | 第23-24页 |
| 2.7 基于用户、项目偏移量的计算方法 | 第24-25页 |
| 2.8 基于核矩阵分解模型的鲁棒参数估计 | 第25-27页 |
| 2.9 本章小结 | 第27-29页 |
| 第3章 基于核正则化和重加权的M-估计量的鲁棒推荐算法 | 第29-37页 |
| 3.1 引言 | 第29页 |
| 3.2 基于高斯核函数的用户相似度的计算 | 第29-30页 |
| 3.3 基于核正则化的矩阵分解 | 第30-32页 |
| 3.4 基于高斯核的M-估计量的鲁棒性分析 | 第32-34页 |
| 3.5 基于核正则化的M-估计量的鲁棒参数估计 | 第34-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第4章 实验与评价 | 第37-48页 |
| 4.1 实验数据 | 第37页 |
| 4.2 实验环境 | 第37页 |
| 4.3 实验设置 | 第37页 |
| 4.4 评价指标 | 第37-38页 |
| 4.5 基于核矩阵分解的推荐算法的实验分析 | 第38-42页 |
| 4.6 基于核正则化和加权的M-估计量的推荐算法的实验分析 | 第42-46页 |
| 4.7 本章小结 | 第46-48页 |
| 结论 | 第48-49页 |
| 参考文献 | 第49-55页 |
| 攻读硕士学位期间承担的研究任务与主要成果 | 第55-56页 |
| 致谢 | 第56页 |