| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 利用异源异构数据的推荐系统研究现状 | 第11-13页 |
| 1.3 本文的主要工作和组织结构 | 第13-15页 |
| 1.3.1 本文的主要工作 | 第13页 |
| 1.3.2 本文的组织结构 | 第13-15页 |
| 2 推荐系统综述及相关模型简述 | 第15-23页 |
| 2.1 推荐系统基本概念 | 第15-16页 |
| 2.2 推荐系统的评价指标 | 第16-18页 |
| 2.3 基于高斯分布的矩阵分解方法 | 第18-19页 |
| 2.4 Bayesian Personalized Ranking算法 | 第19-21页 |
| 2.5 去噪自动编码机 | 第21-22页 |
| 2.6 本章小结 | 第22-23页 |
| 3 可感知用户预算的层级泊松分布商品推荐算法 | 第23-34页 |
| 3.1 本章简介 | 第23-25页 |
| 3.2 基于泊松分布的推荐模型 | 第25-26页 |
| 3.2.1 层级泊松分布的贝叶斯采样过程 | 第25-26页 |
| 3.2.2 HPF模型的优点 | 第26页 |
| 3.3 CBPF模型 | 第26-28页 |
| 3.4 变分推断的优化方法 | 第28-30页 |
| 3.5 实验结果和分析 | 第30-32页 |
| 3.5.1 数据集 | 第30-31页 |
| 3.5.2 与基准算法的实验比较 | 第31页 |
| 3.5.3 参数设置和评价方法 | 第31-32页 |
| 3.5.4 推荐结果表现及分析 | 第32页 |
| 3.6 本章小结 | 第32-34页 |
| 4 结合权重迭代自动编码机和协同排序算法的推荐系统 | 第34-46页 |
| 4.1 本章简介 | 第34-35页 |
| 4.2 去噪编码机、堆栈编码机和迭代编码机 | 第35-37页 |
| 4.3 CHDR模型:RAE模型和BPR模型的结合 | 第37-40页 |
| 4.3.1 模型的紧结合方法 | 第38页 |
| 4.3.2 参数训练过程 | 第38-40页 |
| 4.4 实验结果及分析 | 第40-45页 |
| 4.4.1 数据集介绍和预处理 | 第40页 |
| 4.4.2 对比方法介绍 | 第40-42页 |
| 4.4.3 模型参数设置 | 第42页 |
| 4.4.4 实验结果分析 | 第42-43页 |
| 4.4.5 参数影响分析 | 第43-45页 |
| 4.5 本章小结 | 第45-46页 |
| 5 总结与展望 | 第46-48页 |
| 5.1 本文工作总结 | 第46-47页 |
| 5.2 未来工作展望 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 攻读硕士学位期间的主要研究成果 | 第51-52页 |
| 致谢 | 第52页 |
