| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 主要研究内容 | 第13-14页 |
| 1.4 论文结构 | 第14-16页 |
| 第2章 相关知识介绍 | 第16-27页 |
| 2.1 个性化推荐 | 第16-19页 |
| 2.1.1 推荐算法分类 | 第17-18页 |
| 2.1.2 推荐算法的应用 | 第18-19页 |
| 2.2 协同过滤推荐技术 | 第19-23页 |
| 2.2.1 基于用户的推荐 | 第19-21页 |
| 2.2.2 基于项目的推荐 | 第21-22页 |
| 2.2.3 矩阵分解模型 | 第22-23页 |
| 2.3 信任机制 | 第23-25页 |
| 2.3.1 推荐系统中的信任 | 第23-24页 |
| 2.3.2 信任的分类 | 第24-25页 |
| 2.4 时间因素的应用 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 融入时间因素的双重信任机制 | 第27-34页 |
| 3.1 DTM-TF算法的提出 | 第27-28页 |
| 3.2 DTM-TF算法推导 | 第28-32页 |
| 3.2.1 融入时间因素的局部信任机制 | 第28-29页 |
| 3.2.2 融入时间因素的项目级信任 | 第29-30页 |
| 3.2.3 DTM-TF算法 | 第30-32页 |
| 3.3 本章小结 | 第32-34页 |
| 第4章 融入时间和信任的矩阵分解算法 | 第34-44页 |
| 4.1 MT-TF算法的提出 | 第34-35页 |
| 4.2 MT-TF算法推导 | 第35-39页 |
| 4.2.1 融入时间因素的项目偏差 | 第36-37页 |
| 4.2.2 融入时间因素的用户偏差 | 第37-38页 |
| 4.2.3 融入时间的矩阵分解算法 | 第38-39页 |
| 4.3 MT-TF算法 | 第39-42页 |
| 4.4 本章小结 | 第42-44页 |
| 第5章 实验结果分析 | 第44-54页 |
| 5.1 实验环境说明 | 第44-46页 |
| 5.1.1 数据集的选取 | 第44-45页 |
| 5.1.2 实验运行环境 | 第45页 |
| 5.1.3 实验结果的评价标准 | 第45-46页 |
| 5.2 DTM-FT算法实验分析 | 第46-48页 |
| 5.2.1 参数 λ 对算法的影响 | 第46-47页 |
| 5.2.2 DTM-TF和Local-CF实验结果对比 | 第47-48页 |
| 5.3 MT-TF算法实验分析 | 第48-53页 |
| 5.3.1 实验参数的选取 | 第48-51页 |
| 5.3.2 对比实验分析 | 第51-53页 |
| 5.4 本章小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60页 |