| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 论文研究工作以及贡献 | 第15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 推荐系统与相关技术 | 第17-34页 |
| 2.1 个性化推荐系统 | 第17-18页 |
| 2.1.1 基本框架与要素 | 第17-18页 |
| 2.1.2 评分预测与Top-N推荐 | 第18页 |
| 2.2 常见推荐算法 | 第18-29页 |
| 2.2.1 基于内容的推荐 | 第18-20页 |
| 2.2.2 协同过滤 | 第20-27页 |
| 2.2.3 混合推荐算法 | 第27-28页 |
| 2.2.4 其它推荐算法 | 第28-29页 |
| 2.3 推荐算法评价指标 | 第29-32页 |
| 2.4 推荐系统的问题与挑战 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 基于多维标签的协同过滤 | 第34-47页 |
| 3.1 标签在推荐系统的应用 | 第34-35页 |
| 3.1.1 用户标签 | 第34页 |
| 3.1.2 物品标签 | 第34-35页 |
| 3.2 基于多维标签的近邻协同过滤 | 第35-43页 |
| 3.2.1 基于用户与多维标签的协同过滤（UserMTCF） | 第35-41页 |
| 3.2.2 基于物品与多维标签的协同过滤（ItemMTCF） | 第41-43页 |
| 3.3 基于多维标签反馈矩阵分解推荐算法 | 第43-45页 |
| 3.3.1 隐式反馈矩阵分解 | 第43-44页 |
| 3.3.2 多维标签隐式反馈矩阵分解 | 第44-45页 |
| 3.4 本章小结 | 第45-47页 |
| 第四章 基于分类排序的Top-N推荐 | 第47-60页 |
| 4.1 排序学习理论 | 第47-49页 |
| 4.2 基于分类模型的Top-N推荐 | 第49-50页 |
| 4.3 逻辑回归模型 | 第50-54页 |
| 4.3.1 基本推导 | 第50-52页 |
| 4.3.2 优化求解 | 第52-54页 |
| 4.4 基于标签的特征提取 | 第54-56页 |
| 4.4.1 单标签特征 | 第54-55页 |
| 4.4.2 标签组合特征 | 第55-56页 |
| 4.4.3 其它特征 | 第56页 |
| 4.5 FTRL优化 | 第56-58页 |
| 4.6 基本框架 | 第58-59页 |
| 4.7 本章小结 | 第59-60页 |
| 第五章 实验结果与分析 | 第60-71页 |
| 5.1 实验数据集 | 第60页 |
| 5.2 基于多维标签协同过滤实验 | 第60-67页 |
| 5.2.1 UserMTCF实验结果 | 第60-63页 |
| 5.2.2 ItemMTCF实验结果 | 第63-65页 |
| 5.2.3 基于多维标签反馈矩阵分解实验结果 | 第65-67页 |
| 5.3 基于分类排序的Top-N推荐实验 | 第67-69页 |
| 5.3.1 实验设计与说明 | 第67页 |
| 5.3.2 实验结果与分析 | 第67-69页 |
| 5.4 本章总结 | 第69-71页 |
| 总结与展望 | 第71-73页 |
| 总结 | 第71页 |
| 展望 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 攻读硕士学位期间取得的研究成果 | 第79-80页 |
| 致谢 | 第80-81页 |
| 附件 | 第81页 |