| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究的背景与意义 | 第10-11页 |
| 1.2 研究现状与相关工作 | 第11-14页 |
| 1.2.1 一类推荐的潜在因子模型 | 第11-12页 |
| 1.2.2 视觉感知推荐 | 第12页 |
| 1.2.3 时间因素的推荐 | 第12页 |
| 1.2.4 分类感知推荐系统 | 第12-14页 |
| 1.3 论文的结构与安排 | 第14-15页 |
| 第2章 推荐系统技术 | 第15-21页 |
| 2.1 问题的提出 | 第15-17页 |
| 2.2 主要的推荐方法 | 第17-18页 |
| 2.3 基于矩阵分解的单类协同过滤 | 第18-20页 |
| 2.3.1 迭代最小二乘法（wALS） | 第18-19页 |
| 2.3.2 基于矩阵分解的贝叶斯个性化排序（BPR-MF） | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 基于层次的视觉和时间动态建模 | 第21-28页 |
| 3.1 额定视觉建模 | 第21-23页 |
| 3.1.1 优先预测器 | 第21页 |
| 3.1.2 视觉预测器 | 第21-22页 |
| 3.1.3 时间对额定视觉感知建模的影响 | 第22-23页 |
| 3.2 时间对视觉感知分层模型的影响模型 | 第23-27页 |
| 3.2.1 基本的非视觉预测器建模 | 第23-24页 |
| 3.2.2 基本的视觉感知预测器 | 第24页 |
| 3.2.3 层次嵌入的视觉感知预测器 | 第24-25页 |
| 3.2.4 T-Sherlock模型 | 第25-27页 |
| 3.2.5 时尚的演变因素 | 第27页 |
| 3.3 本章小结 | 第27-28页 |
| 第4章 模型学习方法 | 第28-32页 |
| 4.1 对数似然函数最大化 | 第28页 |
| 4.2 坐标上升拟合程序 | 第28-31页 |
| 4.2.1 拟合模型参数 | 第29-30页 |
| 4.2.2 时尚时期划分算法 | 第30-31页 |
| 4.3 本章小结 | 第31-32页 |
| 第5章 实验结果与分析 | 第32-39页 |
| 5.1 介绍 | 第32页 |
| 5.2 数据集 | 第32-33页 |
| 5.3 评估标准 | 第33页 |
| 5.4 评估标准 | 第33-34页 |
| 5.4.1 基线方法 | 第33-34页 |
| 5.4.2 实施细节 | 第34页 |
| 5.5 分析 | 第34-38页 |
| 5.5.1 RTVBPR和视觉模型 | 第34-37页 |
| 5.5.2 T-Sherlock和视觉模型 | 第37-38页 |
| 5.6 本章小结 | 第38-39页 |
| 第6章 结论与展望 | 第39-40页 |
| 6.1 结论 | 第39页 |
| 6.2 展望 | 第39-40页 |
| 参考文献 | 第40-45页 |
| 致谢 | 第45-46页 |
| 攻读学位期间参加的科研项目和成果 | 第46页 |