融合LF-LDA和社交关系的协同主题回归推荐算法
| 致谢 | 第3-4页 |
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 1 绪论 | 第13-20页 |
| 1.1 研究背景及意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.3 本文主要工作 | 第18页 |
| 1.4 本文结构安排 | 第18-20页 |
| 2 相关推荐算法研究与分析 | 第20-34页 |
| 2.1 基于内容的推荐算法 | 第20-22页 |
| 2.2 协同过滤推荐算法 | 第22-24页 |
| 2.3 基于模型的推荐算法 | 第24-31页 |
| 2.4 社会化推荐算法 | 第31-33页 |
| 2.5 本章小结 | 第33-34页 |
| 3 基于LF-LDA的概率矩阵分解 | 第34-43页 |
| 3.1 概率矩阵分解模型 | 第34-35页 |
| 3.2 LF-LDA主题模型 | 第35-37页 |
| 3.3 改进的概率矩阵分解 | 第37-39页 |
| 3.4 实验验证 | 第39-42页 |
| 3.5 本章小结 | 第42-43页 |
| 4 基于社交关系的协同主题回归 | 第43-51页 |
| 4.1 协同主题回归模型 | 第43-44页 |
| 4.2 改进的协同主题回归 | 第44-47页 |
| 4.3 实验验证 | 第47-50页 |
| 4.4 本章小结 | 第50-51页 |
| 5 SLF-CTR推荐算法 | 第51-65页 |
| 5.1 SLF-CTR模型 | 第51-52页 |
| 5.2 SLF-CTR的训练 | 第52-54页 |
| 5.3 算法描述 | 第54-55页 |
| 5.4 实验设计 | 第55-57页 |
| 5.5 实验结果和分析 | 第57-63页 |
| 5.6 本章小结 | 第63-65页 |
| 6 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65-66页 |
| 6.2 展望 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 作者简历 | 第72-74页 |
| 学位论文数据集 | 第74页 |
