| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 个性化推荐的研究现状 | 第10-11页 |
| 1.2.2 基于隐式反馈数据推荐的研究现状 | 第11-12页 |
| 1.2.3 排序推荐算法的研究现状 | 第12-14页 |
| 1.2.4 面临的主要问题和挑战 | 第14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 1.4 论文结构与内容安排 | 第15-16页 |
| 第二章 相关技术综述 | 第16-28页 |
| 2.1 用户建模相关技术 | 第16-17页 |
| 2.2 主题模型 | 第17-18页 |
| 2.3 个性化推荐算法 | 第18-22页 |
| 2.3.1 基于内容过滤的推荐算法 | 第18-19页 |
| 2.3.2 协同过滤算法 | 第19-22页 |
| 2.3.3 混合推荐算法 | 第22页 |
| 2.4 排序学习算法 | 第22-25页 |
| 2.4.1 点级排序学习技术 | 第23-24页 |
| 2.4.2 对级排序学习技术 | 第24-25页 |
| 2.4.3 列表级排序学习技术 | 第25页 |
| 2.5 推荐算法评测指标 | 第25-27页 |
| 2.5.1 评分准确度 | 第25-26页 |
| 2.5.2 分类准确度 | 第26页 |
| 2.5.3 平均准确率 | 第26-27页 |
| 2.5.4 NDCG | 第27页 |
| 2.6 本章小结 | 第27-28页 |
| 第三章 融合显式和隐式特征用户模型的分析与设计 | 第28-38页 |
| 3.1 问题描述 | 第28页 |
| 3.2 用户模型设计 | 第28-30页 |
| 3.3 用户显式属性特征 | 第30-31页 |
| 3.4 基于社会化标签的用户隐式属性特征 | 第31-36页 |
| 3.5 混合显式属性特征和隐式属性特征的用户模型 | 第36-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第四章 基于隐式反馈数据和混合用户模型的排序学习算法 | 第38-48页 |
| 4.1 问题描述 | 第38-39页 |
| 4.2 ListRank-MF算法 | 第39-41页 |
| 4.2.1 Top-one概率 | 第39页 |
| 4.2.2 列表排序损失函数 | 第39页 |
| 4.2.3 ListRank-MF | 第39-41页 |
| 4.2.4 ListRank-MF算法的局限性 | 第41页 |
| 4.3 基于隐式反馈数据和混合用户模型的ListRank-MF算法 | 第41-47页 |
| 4.3.1 隐式反馈数据处理 | 第41-44页 |
| 4.3.2 融合混合用户模型的UNListRank-MF | 第44-46页 |
| 4.3.3 算法整体流程 | 第46-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 实验设计和结果分析 | 第48-59页 |
| 5.1 实验条件 | 第48-51页 |
| 5.1.1 实验环境说明 | 第48页 |
| 5.1.2 数据来源 | 第48-49页 |
| 5.1.3 数据处理 | 第49-51页 |
| 5.2 实验评测指标 | 第51页 |
| 5.3 实验结果与分析 | 第51-57页 |
| 5.3.1 基于混合用户模型的推荐效果 | 第52-54页 |
| 5.3.2 UNListRank-MF算法在不同隐式属性特征数下的推荐效果 | 第54-55页 |
| 5.3.3 基于隐式反馈数据和混合用户模型的UNListRank-MF | 第55-57页 |
| 5.4 本章小结 | 第57-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 攻读硕士学位期间发表的学术论文目录 | 第66页 |
