| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 论文的研究背景和意义 | 第10-11页 |
| 1.2 相关研究工作及技术现状 | 第11-14页 |
| 1.3 本文的主要工作 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-16页 |
| 第二章 矩阵分解 | 第16-27页 |
| 2.1 矩阵的奇异值分解 | 第16-18页 |
| 2.2 推荐系统中的矩阵分解 | 第18-19页 |
| 2.3 矩阵的加权分解 | 第19-22页 |
| 2.3.1 加权的交替最小二乘 | 第19-21页 |
| 2.3.2 加权方案 | 第21-22页 |
| 2.4 矩阵的非负分解 | 第22-25页 |
| 2.4.1 乘性迭代算法 | 第24-25页 |
| 2.4.2 自适应乘性迭代算法 | 第25页 |
| 2.5 本章小结 | 第25-27页 |
| 第三章 多任务学习 | 第27-43页 |
| 3.1 正则化多任务学习 | 第27-31页 |
| 3.1.1 问题的提出 | 第28-29页 |
| 3.1.2 对偶优化问题 | 第29-31页 |
| 3.2 非凸多任务学习 | 第31-35页 |
| 3.3 基于核函数的多任务学习 | 第35-38页 |
| 3.4 最小化目标函数的优化方法 | 第38-41页 |
| 3.4.1 随机梯度优化算法 | 第39-40页 |
| 3.4.2 坐标优化算法 | 第40-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第四章 基于矩阵分解的多任务学习模型 | 第43-66页 |
| 4.1 基于矩阵分解的多任务学习线性模型 | 第44-57页 |
| 4.1.1 基于矩阵分解的多任务学习线性模型 | 第44-52页 |
| 4.1.2 结合用户个人特征的基于矩阵分解的多任务学习线性模型 | 第52-57页 |
| 4.2 基于矩阵分解的多任务学习非线性模型 | 第57-65页 |
| 4.2.1 基于矩阵分解的多任务学习非线性模型 | 第60-63页 |
| 4.2.2 结合用户个人特征的基于矩阵分解的多任务学习非线性模型 | 第63-65页 |
| 4.3 本章小结 | 第65-66页 |
| 第五章 实验与分析 | 第66-77页 |
| 5.1 实验工具 | 第66-67页 |
| 5.2 实验数据集描述 | 第67-69页 |
| 5.2.1 学生成绩排名预测数据集 | 第67-68页 |
| 5.2.2 KDD Cup 2010的竞赛数据 | 第68-69页 |
| 5.3 评测标准 | 第69-70页 |
| 5.4 实验设计 | 第70-71页 |
| 5.5 实验分析 | 第71-75页 |
| 5.6 实验小结 | 第75-77页 |
| 第六章 总结与展望 | 第77-79页 |
| 6.1 总结 | 第77-78页 |
| 6.2 后续工作展望 | 第78-79页 |
| 致谢 | 第79-80页 |
| 参考文献 | 第80-83页 |
| 攻读硕士学位期间取得的成果 | 第83-84页 |