基于迁移学习的跨领域推荐的方法研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-15页 |
| ·研究的背景及意义 | 第10-11页 |
| ·国内外的研究现状及分析 | 第11-13页 |
| ·迁移学习的研究进展 | 第11-12页 |
| ·跨领域推荐的研究进展 | 第12-13页 |
| ·论文的主要工作 | 第13页 |
| ·论文的组织与结构 | 第13-15页 |
| 第2章 迁移学习及跨领域推荐相关技术综述 | 第15-24页 |
| ·推荐系统 | 第15-18页 |
| ·基于内容的推荐系统 | 第15页 |
| ·基于协同过滤的推荐系统 | 第15-17页 |
| ·混合式推荐系统 | 第17-18页 |
| ·迁移学习 | 第18-20页 |
| ·引言 | 第18页 |
| ·迁移学习分类 | 第18-20页 |
| ·跨领域推荐 | 第20-23页 |
| ·跨领域推荐任务 | 第20-21页 |
| ·跨领域推荐技术分类 | 第21-23页 |
| ·本章小结 | 第23-24页 |
| 第3章 基于标签学习的跨领域推荐方法 | 第24-39页 |
| ·概述 | 第24-25页 |
| ·相关技术 | 第25-26页 |
| ·非负正交矩阵分解聚类算法 | 第25页 |
| ·BP神经网络 | 第25-26页 |
| ·基于标签的跨领域协同过滤推荐算法 | 第26-32页 |
| ·用户（物品）聚类 | 第26-29页 |
| ·基于BP神经网络的特征学习 | 第29-31页 |
| ·对目标数据域的用户评分预测 | 第31-32页 |
| ·实验评估 | 第32-37页 |
| ·实验设计 | 第32-33页 |
| ·实验数据及预处理 | 第33-34页 |
| ·对比模型 | 第34-35页 |
| ·实验评估方法 | 第35页 |
| ·实验结果及分析 | 第35-37页 |
| ·本章小结 | 第37-39页 |
| 第4章 基于潜在特征聚类的跨领域推荐方法 | 第39-48页 |
| ·概述 | 第39-40页 |
| ·问题定义 | 第40页 |
| ·基于潜在特征聚类的跨领域推荐方法 | 第40-44页 |
| ·CBT模型 | 第40-41页 |
| ·CBT模型优化 | 第41-42页 |
| ·领域相关性分析 | 第42-44页 |
| ·实验评估 | 第44-47页 |
| ·实验数据 | 第44页 |
| ·对比模型 | 第44-45页 |
| ·实验设计 | 第45页 |
| ·实验评估方法 | 第45-46页 |
| ·实验结果及分析 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第5章 总结与展望 | 第48-50页 |
| ·工作总结 | 第48-49页 |
| ·进一步工作及展望 | 第49-50页 |
| 致谢 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 附录 | 第56-57页 |
| 详细摘要 | 第57-59页 |
