| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 研究背景与意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-20页 |
| 1.3 研究内容与创新点 | 第20-21页 |
| 1.4 组织结构 | 第21-23页 |
| 第二章 个性化推荐技术概述 | 第23-33页 |
| 2.1 基于关联规则的推荐技术 | 第23-24页 |
| 2.2 基于内容的推荐技术 | 第24页 |
| 2.3 协同过滤推荐技术 | 第24-29页 |
| 2.4 基于知识的推荐技术 | 第29-30页 |
| 2.5 混合推荐技术 | 第30-31页 |
| 2.6 推荐系统的评价指标 | 第31-33页 |
| 第三章 基于聚类的协同过滤推荐算法 | 第33-41页 |
| 3.1 问题的提出 | 第33-34页 |
| 3.2 聚类技术 | 第34页 |
| 3.3 DRU算法 | 第34-36页 |
| 3.4 DRI算法 | 第36-37页 |
| 3.5 DRUI算法 | 第37-38页 |
| 3.6 实验与分析 | 第38-39页 |
| 3.6.1 数据集和算法 | 第38页 |
| 3.6.2 评分预测准确度对比 | 第38-39页 |
| 3.6.3 效率对比 | 第39页 |
| 3.7 本章小结 | 第39-41页 |
| 第四章 基于随机森林的协同过滤推荐算法 | 第41-51页 |
| 4.1 问题的提出 | 第41页 |
| 4.2 监督学习 | 第41-45页 |
| 4.2.1 决策树 | 第42-43页 |
| 4.2.2 随机森林 | 第43-45页 |
| 4.3 基于随机森林的协同过滤推荐算法 | 第45-47页 |
| 4.4 实验与分析 | 第47-50页 |
| 4.4.1 数据集与算法 | 第47页 |
| 4.4.2 评分预测准确度比较 | 第47-48页 |
| 4.4.3 分类准确度比较 | 第48页 |
| 4.4.4 簇的数量对评分预测的影响 | 第48-50页 |
| 4.4.5 在线推荐时间比较 | 第50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 基于神经网络的协同过滤推荐算法 | 第51-75页 |
| 5.1 问题的提出 | 第51页 |
| 5.2 BP神经网络 | 第51-56页 |
| 5.2.1 感知器 | 第51-53页 |
| 5.2.2 多层前馈神经网络 | 第53页 |
| 5.2.3 梯度下降法 | 第53-54页 |
| 5.2.4 误差逆传播算法 | 第54-56页 |
| 5.3 BP神经网络模型应用于协同过滤推荐 | 第56-63页 |
| 5.3.1 BP神经网络回归模型应用于协同过滤推荐 | 第56-59页 |
| 5.3.2 BP神经网络分类模型应用于协同过滤推荐 | 第59-60页 |
| 5.3.3 标签编码方式改进 | 第60-62页 |
| 5.3.4 用户(或项目)间权重共享 | 第62-63页 |
| 5.4 实验与分析 | 第63-73页 |
| 5.4.1 数据集和算法 | 第63-64页 |
| 5.4.2 评分预测准确度比较 | 第64-65页 |
| 5.4.3 分类准确度比较 | 第65页 |
| 5.4.4 在线推荐时间比较 | 第65-66页 |
| 5.4.5 用户或项目向量维数对评分预测的影响 | 第66-67页 |
| 5.4.6 数据稀疏性的影响 | 第67-68页 |
| 5.4.7 mini-batch的样本数的影响 | 第68-69页 |
| 5.4.8 MBGD学习率的影响 | 第69-70页 |
| 5.4.9 神经网络结构的影响 | 第70-72页 |
| 5.4.10 项目特征的提取 | 第72-73页 |
| 5.5 本章小结 | 第73-75页 |
| 总结 | 第75-77页 |
| 参考文献 | 第77-82页 |
| 攻读硕士期间发表的论文 | 第82-84页 |
| 致谢 | 第84页 |