| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 论文主要研究内容 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-17页 |
| 第2章 推荐算法 | 第17-24页 |
| 2.1 隐含语义模型 | 第17-19页 |
| 2.1.1 用户偏好模型 | 第18-19页 |
| 2.1.2 隐含语义模型的优势 | 第19页 |
| 2.2 基于图的推荐算法 | 第19-22页 |
| 2.3 混合推荐算法 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于隐含语义模型优化方法的研究 | 第24-36页 |
| 3.1 负样本填充稀疏矩阵 | 第24页 |
| 3.2 CPU与GPU的比较 | 第24-25页 |
| 3.3 基于GPU的并行计算架构CUDA | 第25-30页 |
| 3.3.1 CUDA硬件模型 | 第25-27页 |
| 3.3.2 CUDA编程模型 | 第27-28页 |
| 3.3.3 CUDA存储器模型 | 第28-30页 |
| 3.4 基于CUDA的随机梯度下降的研究 | 第30-32页 |
| 3.4.1 随机梯度下降方法 | 第30-31页 |
| 3.4.2 推荐系统中的随机梯度下降方法 | 第31-32页 |
| 3.4.3 基于CUDA的随机梯度下降方法的设计 | 第32页 |
| 3.5 实验结果及分析 | 第32-35页 |
| 3.5.1 实验数据及评价标准 | 第32-34页 |
| 3.5.2 实验结果分析 | 第34页 |
| 3.5.3 实验结果分析 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第4章 基于CUDA并行化PersonalRank算法的研究 | 第36-45页 |
| 4.1 基于CUDA的PersonalRank算法设计 | 第36-42页 |
| 4.1.1 Gauss-Jaordan消除法 | 第36-38页 |
| 4.1.2 基于CUDA并行化高斯-约旦算法 | 第38-42页 |
| 4.1.3 基于CUDA的PersonalRank算法的具体设计 | 第42页 |
| 4.2 实验结果及分析 | 第42-44页 |
| 4.2.1 实验数据及实验环境 | 第42-43页 |
| 4.2.2 评价标准 | 第43页 |
| 4.2.3 性能测试结果 | 第43-44页 |
| 4.3 本章小结 | 第44-45页 |
| 第5章 混合推荐算法的研究 | 第45-53页 |
| 5.1 混合推荐算法的优势 | 第45页 |
| 5.2 隐语义模型与PersonalRank混合算法的设计 | 第45-48页 |
| 5.2.1 填充稀疏矩阵 | 第45-47页 |
| 5.2.2 图模型的建立 | 第47-48页 |
| 5.2.3 图模型上实现PersonalRank | 第48页 |
| 5.3 实验结果及分析 | 第48-52页 |
| 5.3.1 实验数据及评价标准 | 第48-49页 |
| 5.3.2 实验结果分析 | 第49-52页 |
| 5.4 本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58页 |
