| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 仅依靠深度学习的推荐模型 | 第12-14页 |
| 1.2.2 结合传统推荐算法的松耦合深度学习模型 | 第14-15页 |
| 1.2.3 结合传统推荐算法的紧耦合深度学习模型 | 第15页 |
| 1.3 本文的主要工作 | 第15-17页 |
| 1.4 本文的组织结构 | 第17-18页 |
| 第2章 相关技术综述 | 第18-31页 |
| 2.1 传统推荐系统中的矩阵分解方法 | 第18-24页 |
| 2.1.1 奇异值分解 | 第19-22页 |
| 2.1.2 概率矩阵分解 | 第22-24页 |
| 2.2 深度学习中的自动编码器方法 | 第24-29页 |
| 2.2.1 自动编码器 | 第25-26页 |
| 2.2.2 边缘降噪自动编码器 | 第26-29页 |
| 2.3 深度协同过滤推荐框架 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 基于堆叠边缘降噪自动编码器的深度协同推荐 | 第31-44页 |
| 3.1 问题定义 | 第31-33页 |
| 3.2 边缘降噪自动编码器分析 | 第33-38页 |
| 3.2.1 数据加噪 | 第33-35页 |
| 3.2.2 目标函数分析 | 第35页 |
| 3.2.3 堆叠边缘降噪自动编码器的分层训练 | 第35-38页 |
| 3.3 基于堆叠边缘降噪自动编码器深度协同推荐方法 | 第38-43页 |
| 3.4 评分预测 | 第43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 实验结果与分析 | 第44-64页 |
| 4.1 实验环境及数据集预处理 | 第44-45页 |
| 4.2 评价指标 | 第45-46页 |
| 4.3 参数分析 | 第46-47页 |
| 4.4 模型优化及分析 | 第47-55页 |
| 4.4.1 潜在特征向量的维度K值对模型的影响 | 第47-52页 |
| 4.4.2 正则项参数λ_u,λ_v,λ_n,λ_w对模型的影响 | 第52-55页 |
| 4.5 对比实验及分析 | 第55-63页 |
| 4.5.1 模型的性能对比 | 第55-58页 |
| 4.5.2 模型的召回率对比 | 第58-63页 |
| 4.6 本章小结 | 第63-64页 |
| 第5章 总结与展望 | 第64-66页 |
| 5.1 本文总结 | 第64-65页 |
| 5.2 未来工作展望 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 攻读硕士学位期间主要的研究成果 | 第71-72页 |
| 致谢 | 第72页 |