| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状及相关技术发展 | 第9-10页 |
| 1.3 本文的研究内容 | 第10-11页 |
| 1.4 本文的组织结构 | 第11-13页 |
| 第二章 主题模型与协同过滤算法综述 | 第13-23页 |
| 2.1 主题模型 | 第13-17页 |
| 2.1.1 概率主题模型LDA | 第13-14页 |
| 2.1.2 Sentence LDA | 第14-15页 |
| 2.1.3 ASUM模型 | 第15-17页 |
| 2.2 协同过滤推荐算法 | 第17-21页 |
| 2.2.1 SVD算法 | 第18-19页 |
| 2.2.2 PMF模型 | 第19-21页 |
| 2.3 Collaborative Topic model | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于评论数据与行为数据的推荐算法 | 第23-38页 |
| 3.1 问题描述和定义 | 第23-24页 |
| 3.2 符号说明 | 第24-25页 |
| 3.3 图模型及生成过程 | 第25-27页 |
| 3.4 参数估计 | 第27-36页 |
| 3.4.1 梯度投影法 | 第28-30页 |
| 3.4.2 参数学习 | 第30-36页 |
| 3.5 评分预测 | 第36页 |
| 3.6 本章总结 | 第36-38页 |
| 第四章 实验结果及分析 | 第38-52页 |
| 4.1 数据集 | 第38-40页 |
| 4.2 评价标准 | 第40-42页 |
| 4.2.1 推荐系统评价标准 | 第40-42页 |
| 4.2.2 评价主题的指标 | 第42页 |
| 4.3 实验结果及分析 | 第42-51页 |
| 4.3.1 隐特征维度K的分析 | 第43-44页 |
| 4.3.2 最终所有算法的推荐结果对比及分析 | 第44-46页 |
| 4.3.3 主题比较 | 第46-48页 |
| 4.3.4 探索数据集大小对推荐效果的影响 | 第48-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 本文总结 | 第52-53页 |
| 5.2 未来工作展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58页 |