| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 本文的主要工作 | 第13-14页 |
| 1.4 论文的组织架构 | 第14-15页 |
| 第2章 协同过滤及迁移学习简介 | 第15-27页 |
| 2.1 协同过滤简述 | 第15-20页 |
| 2.1.1 传统的协同过滤方法 | 第15-18页 |
| 2.1.2 矩阵分解技术 | 第18-19页 |
| 2.1.3 传统协同过滤面临的挑战 | 第19-20页 |
| 2.2 迁移学习 | 第20-24页 |
| 2.2.1 迁移学习概述 | 第20-22页 |
| 2.2.2 坐标系迁移算法(CST) | 第22页 |
| 2.2.3 用户特征子空间迁移算法(FST) | 第22-23页 |
| 2.2.4 Codebook迁移算法(CBT) | 第23-24页 |
| 2.3 常用的数据集简介 | 第24-25页 |
| 2.4 评价尺度 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 基于非负矩阵分解的的图谱迁移算法 | 第27-41页 |
| 3.1 问题提出 | 第27-29页 |
| 3.2 FBGT模型简述 | 第29-30页 |
| 3.3 辅助域中图矩阵的构建 | 第30-34页 |
| 3.3.1 利用评分信息 | 第31-32页 |
| 3.3.2 利用低维特征 | 第32-34页 |
| 3.4 模型求解 | 第34-35页 |
| 3.5 实验结果与分析 | 第35-40页 |
| 3.5.1 对比实验和参数设置 | 第35-36页 |
| 3.5.2 Movielens数据集和Netflix数据集 | 第36-38页 |
| 3.5.3 Douban数据集 | 第38-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第4章 基于图正则项的矩阵分解迁移算法 | 第41-53页 |
| 4.1 问题定义 | 第41页 |
| 4.2 GRMF模型简述 | 第41-43页 |
| 4.3 模型求解 | 第43-46页 |
| 4.4 自适应参数选择 | 第46页 |
| 4.5 算法描述 | 第46-47页 |
| 4.6 实验部分 | 第47-52页 |
| 4.5.1 参数设置 | 第47-48页 |
| 4.5.2 实验结果及分析 | 第48-52页 |
| 4.7 本章小结 | 第52-53页 |
| 第5章 结论与展望 | 第53-57页 |
| 5.1 工作总结 | 第53-54页 |
| 5.2 未来工作展望 | 第54-57页 |
| 参考文献 | 第57-63页 |
| 致谢 | 第63-65页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第65页 |