| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-12页 |
| 1.1.1 研究背景 | 第9-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 研究目标和研究内容 | 第12-13页 |
| 1.3 本文的结构安排 | 第13-14页 |
| 1.4 本章小结 | 第14-15页 |
| 2 动态推荐领域的相关工作 | 第15-22页 |
| 2.1 推荐系统面对的一些问题 | 第15-17页 |
| 2.1.1 动态性问题 | 第15-16页 |
| 2.1.2 冷启动和数据稀疏性问题 | 第16-17页 |
| 2.2 目前的学术研究情况 | 第17-21页 |
| 2.2.1 时间感知领域模型 | 第17-18页 |
| 2.2.2 时间感知因子分解方法 | 第18-20页 |
| 2.2.3 基于马尔可夫链的方法 | 第20页 |
| 2.2.4 基于神经网络的方法 | 第20-21页 |
| 2.3 本章小结 | 第21-22页 |
| 3 基于循环神经网络的动态推荐模型 | 第22-33页 |
| 3.1 动态推荐问题定义 | 第22-23页 |
| 3.2 基于RNN的推荐系统模型 | 第23-32页 |
| 3.2.1 循环神经网络 | 第24-25页 |
| 3.2.2 基本RNN推荐模型 | 第25-26页 |
| 3.2.3 携带历史元素的RNN推荐模型 | 第26-29页 |
| 3.2.4 Embedding层和Dropout层 | 第29-32页 |
| 3.3 本章小结 | 第32-33页 |
| 4 基于多神经网络的混合动态推荐模型 | 第33-42页 |
| 4.1 长期兴趣和短期兴趣之间的关系 | 第33-34页 |
| 4.2 多神经网络的混合推荐模型框架 | 第34-38页 |
| 4.2.1 基于前馈神经网络（FNN）的协同过滤模型 | 第34-36页 |
| 4.2.2 混合动态推荐模型框架 | 第36-38页 |
| 4.3 目标函数和参数训练 | 第38-41页 |
| 4.4 本章小结 | 第41-42页 |
| 5 实验及结果分析 | 第42-52页 |
| 5.1 数据集 | 第42-43页 |
| 5.1.1 Tmall数据集 | 第42页 |
| 5.1.2 Last.fm数据集 | 第42-43页 |
| 5.2 实验主体框架和数据预处理 | 第43-45页 |
| 5.2.1 大致流程 | 第43页 |
| 5.2.2 行为周期的生成 | 第43-45页 |
| 5.3 评价指标体系 | 第45-47页 |
| 5.4 对比实验设计 | 第47-48页 |
| 5.5 实验结果对比及分析 | 第48-51页 |
| 5.6 本章小结 | 第51-52页 |
| 6 总结和展望 | 第52-54页 |
| 6.1 研究总结 | 第52-53页 |
| 6.2 工作展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 附录 | 第60页 |
| A. 作者在攻读学位期间成果目录 | 第60页 |
| B. 作者在攻读学位期间参加的项目 | 第60页 |