| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第10-22页 |
| 1.1 课题的研究背景与意义 | 第10-12页 |
| 1.2 推荐技术的研究现状 | 第12-15页 |
| 1.2.1 基于内容的过滤(Content-based Filtering) | 第12-13页 |
| 1.2.2 基于协同过滤的推荐技术(Collaborative Filtering) | 第13-14页 |
| 1.2.3 混合推荐技术(Hybrid Filtering) | 第14-15页 |
| 1.3 协同过滤推荐技术 | 第15-19页 |
| 1.3.1 协同过滤算法分类 | 第15-18页 |
| 1.3.2 协同过滤技术遇到的挑战 | 第18-19页 |
| 1.4 论文的研究内容 | 第19-20页 |
| 1.5 论文结构 | 第20-21页 |
| 1.6 本章小结 | 第21-22页 |
| 2 基于局部密度敏感的联合图传递模型 | 第22-31页 |
| 2.1 图传递模型介绍 | 第22-24页 |
| 2.2 基于局部密度敏感的联合图传递的Top-N推荐 | 第24-27页 |
| 2.2.1 基于局部密度敏感的用户-对象联合图传递 | 第24-26页 |
| 2.2.2 相似性度量 | 第26-27页 |
| 2.3 实验结果与分析 | 第27-30页 |
| 2.3.1 数据集和实验设置 | 第27-28页 |
| 2.3.2 方法比较 | 第28-29页 |
| 2.3.3 模型参数影响 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 3 基于点扩散的图传递模型 | 第31-39页 |
| 3.1 基于向量图传递模型的Top-N推荐 | 第31-33页 |
| 3.2 基于点扩散的图模型介绍 | 第33-34页 |
| 3.3 基于点扩散图传递模型的Top-N推荐框架图 | 第34-36页 |
| 3.4 相似性度量 | 第36页 |
| 3.5 实验结果与分析 | 第36-38页 |
| 3.6 本章小结 | 第38-39页 |
| 4 基于多视角回归集成的Top-N推荐 | 第39-50页 |
| 4.1 基于多视角回归集成的Top-N推荐框架 | 第39-40页 |
| 4.2 多视角PLS回归 | 第40-42页 |
| 4.2.1 偏最小二乘回归(Partial Least Squares Regression) | 第40-42页 |
| 4.2.2 多视角PLS回归算法 | 第42页 |
| 4.3 基于迭代阈值自适应修正的AdaBoost集成学习 | 第42-45页 |
| 4.3.1 集成学习的基本理论介绍 | 第42-43页 |
| 4.3.2 基于迭代阂值自适应修正的AdaBoost集成学习算法 | 第43-45页 |
| 4.4 实验结果与分析 | 第45-49页 |
| 4.4.1 方法比较 | 第45-46页 |
| 4.4.2 集成个数影响 | 第46-48页 |
| 4.4.3 修正参数影响 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 5 总结与展望 | 第50-52页 |
| 5.1 工作总结 | 第50页 |
| 5.2 工作展望 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第55-57页 |
| 学位论文数据集 | 第57页 |
