| 致谢 | 第1-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-10页 |
| 1 绪论 | 第10-17页 |
| ·推荐系统研究背景及意义 | 第10-12页 |
| ·稀疏环境下推荐系统研究综述 | 第12-14页 |
| ·本文研究内容和创新点 | 第14-15页 |
| ·数据集介绍 | 第15-16页 |
| ·Movielens电影评分数据集 | 第15页 |
| ·Last.fm音乐收听数据集 | 第15-16页 |
| ·Yelp商铺评分数据集 | 第16页 |
| ·Epinions社交网络数据集 | 第16页 |
| ·论文结构 | 第16-17页 |
| 2 用户评分决策情景的多元线性矩阵分解算法 | 第17-28页 |
| ·概述 | 第17-18页 |
| ·用户评分决策行为分析 | 第18-19页 |
| ·多元线性互作用矩阵分解推荐模型 | 第19-23页 |
| ·矩阵分解算法预览 | 第19-22页 |
| ·Multi-linear Interactive Matrix Factorization | 第22-23页 |
| ·实验结果 | 第23-27页 |
| ·评价指标 | 第23-24页 |
| ·对比方法简介 | 第24-25页 |
| ·实验参数设置 | 第25-26页 |
| ·实验结果分析 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 3 协同检索任务中的Top-K物品推荐 | 第28-40页 |
| ·概述 | 第28-29页 |
| ·三元张量关系 | 第29-30页 |
| ·基于物品浅层协同检索张量模型 | 第30-34页 |
| ·实验结果 | 第34-38页 |
| ·实验数据及预处理 | 第34-35页 |
| ·评价方式 | 第35页 |
| ·实验设置及对比方法简介 | 第35-36页 |
| ·实验结果分析 | 第36-38页 |
| ·本章小结 | 第38-40页 |
| 4 基于物品的贝叶斯Pairwise排序推荐 | 第40-50页 |
| ·概述 | 第40-41页 |
| ·用户-物品二部图Pairwise关系分析 | 第41-42页 |
| ·基于物品贝叶斯排序推荐模型 | 第42-45页 |
| ·自适应采样策略 | 第44-45页 |
| ·实验结果 | 第45-48页 |
| ·实验数据 | 第45页 |
| ·评价指标 | 第45-46页 |
| ·对比方法简介 | 第46-47页 |
| ·实验结果分析 | 第47-48页 |
| ·本章小结 | 第48-50页 |
| 5 总结和展望 | 第50-51页 |
| ·总结 | 第50页 |
| ·展望 | 第50-51页 |
| 参考文献 | 第51-59页 |