| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 个性化推荐系统 | 第12-14页 |
| 1.2.2 排序学习 | 第14-16页 |
| 1.3 研究内容与目标 | 第16页 |
| 1.4 本文结构和组织 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 第二章 相关理论与技术 | 第18-35页 |
| 2.1 推荐系统技术介绍 | 第18-24页 |
| 2.1.1 基于协同过滤的推荐 | 第18-20页 |
| 2.1.2 基于标签的推荐 | 第20-21页 |
| 2.1.3 基于社会化的推荐 | 第21页 |
| 2.1.4 基于人.统计学的推荐 | 第21-22页 |
| 2.1.5 应用上下文信息的推荐 | 第22-24页 |
| 2.2 排序评价指标介绍 | 第24-26页 |
| 2.2.1 MAP | 第24-25页 |
| 2.2.2 NDCG | 第25-26页 |
| 2.3 排序学习技术介绍 | 第26-34页 |
| 2.3.1 RankBoost | 第26-29页 |
| 2.3.2 Lambda MART | 第29-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 排序学习在推荐系统中运用的研究 | 第35-45页 |
| 3.1 引言 | 第35页 |
| 3.2 使用boost算法合并推荐结果 | 第35-40页 |
| 3.3 基于用户反馈信息的更新算法 | 第40-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第四章 自适应框架的设计与实现 | 第45-53页 |
| 4.1 引言 | 第45页 |
| 4.2 自适应框架的架构设计 | 第45-49页 |
| 4.3 用户行为的反馈信息的分析 | 第49页 |
| 4.4 核心模块的实现 | 第49-52页 |
| 4.4.1 Boosting合并算法的实现 | 第49-51页 |
| 4.4.2 基于用户反馈信息的更新算法的实现 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 实验与评估 | 第53-59页 |
| 5.1 数据集介绍 | 第53-54页 |
| 5.2 参数选择 | 第54页 |
| 5.3 实验结果与分析 | 第54-58页 |
| 5.3.1 Boosting合并算法的评测 | 第54-55页 |
| 5.3.2 基于用户反馈信息更新算法的评测 | 第55-56页 |
| 5.3.3 Boosting合并算法与纯Lambda MART算法的比较 | 第56-57页 |
| 5.3.4 自适应框架不同数据集模拟不同场景情况的测试 | 第57-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 本文总结 | 第59-60页 |
| 6.2 对未来工作的展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 攻读硕士学位期间已发表或录用的论文 | 第66-68页 |