| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 课题研究内容 | 第13-14页 |
| 1.4 论文结构 | 第14-16页 |
| 第2章 相关知识和技术 | 第16-26页 |
| 2.1 个性化推荐技术 | 第16-18页 |
| 2.2 协同过滤推荐算法 | 第18-22页 |
| 2.2.1 基于内存的形式 | 第18-21页 |
| 2.2.2 基于模型的形式 | 第21页 |
| 2.2.3 混合形式 | 第21-22页 |
| 2.3 深度学习知识 | 第22-25页 |
| 2.3.1 深度置信网络 | 第22-23页 |
| 2.3.2 受限玻尔兹曼机 | 第23-25页 |
| 2.3.3 深度学习的相关应用 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于深度置信网络的协同过滤推荐算法 | 第26-37页 |
| 3.1 问题的提出 | 第26-27页 |
| 3.2 基于深度置信网络的协同过滤推荐算法 | 第27-36页 |
| 3.2.1 用户特征矩阵 | 第27-29页 |
| 3.2.2 用户聚类描述 | 第29-31页 |
| 3.2.3 基于深度置信网络的推荐流程 | 第31-32页 |
| 3.2.4 基于深度置信网络的协同过滤推荐算法 | 第32-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第4章 融合评分偏离度的深度置信网络推荐算法 | 第37-46页 |
| 4.1 问题的提出 | 第37-38页 |
| 4.2 融合评分偏离度的深度置信网络推荐算法基本框架 | 第38页 |
| 4.3 融合评分偏离度的深度置信网络推荐算法 | 第38-45页 |
| 4.3.1 评分偏离度计算相似度 | 第39-43页 |
| 4.3.2 融合评分偏离度的深度置信网络推荐算法DGCF | 第43-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第5章 实验验证与结果分析 | 第46-58页 |
| 5.1 实验数据集与实验设置 | 第46-47页 |
| 5.1.1 实验数据集及设置 | 第46-47页 |
| 5.1.2 实验环境 | 第47页 |
| 5.2 实验评估指标 | 第47页 |
| 5.3 CFDN算法的实验及分析 | 第47-54页 |
| 5.3.1 不同隐含层数的实验对比 | 第48-49页 |
| 5.3.2 不同循环迭代次数时的实验对比 | 第49-51页 |
| 5.3.3 不同学习率时的实验对比 | 第51-54页 |
| 5.3.4 实验结论 | 第54页 |
| 5.4 DGCF算法的实验及分析 | 第54-57页 |
| 5.4.1 DGCF算法实验 | 第54-57页 |
| 5.4.2 实验结论 | 第57页 |
| 5.5 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64页 |