| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 引言 | 第9页 |
| 1.2 课题背景及意义 | 第9-16页 |
| 1.2.1 网络发展现状和网络服务特征 | 第9-13页 |
| 1.2.2 推荐系统的应用意义 | 第13-16页 |
| 1.3 本文的研究目标 | 第16-17页 |
| 1.4 本文内容组织 | 第17页 |
| 1.5 本章小结 | 第17-18页 |
| 第2章 基础理论与相关技术 | 第18-35页 |
| 2.1 推荐系统概述 | 第18-22页 |
| 2.1.1 推荐系统定义 | 第18-19页 |
| 2.1.2 推荐系统技术概述 | 第19-22页 |
| 2.2 推荐系统相关数据挖掘技术 | 第22-30页 |
| 2.3 推荐系统和推荐算法 | 第30-34页 |
| 2.3.1 协同过滤概述 | 第30-33页 |
| 2.3.2 基于内容的推荐概述 | 第33-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第3章 多推荐算法的混合 | 第35-47页 |
| 3.1 混合推荐系统主要构成方式 | 第35-37页 |
| 3.2 混合系统中应用的协同过滤算法 | 第37-45页 |
| 3.2.1 参数调节 | 第37-38页 |
| 3.2.2 基于项目的k近邻算法(kNN Item) | 第38-39页 |
| 3.2.3 奇异值矩阵分解(SVD) | 第39-41页 |
| 3.2.4 受限波尔兹曼机(Restricted Bolzman Machine,RBM) | 第41-43页 |
| 3.2.5 全局属性(Global Effect,GE) | 第43-44页 |
| 3.2.6 时间空间复杂度分析 | 第44-45页 |
| 3.3 混合系统中多算法的混合 | 第45-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第4章 多任务学习和算法混合 | 第47-57页 |
| 4.1 多任务学习技术优势 | 第47-50页 |
| 4.2 多任务低维属性表示学习 | 第50-53页 |
| 4.2.1 问题定义 | 第50-52页 |
| 4.2.2 学习算法 | 第52-53页 |
| 4.3 多任务排序融合 | 第53-56页 |
| 4.3.1 符号定义 | 第54页 |
| 4.3.2 算法说明 | 第54-56页 |
| 4.4 聚类减少任务数目 | 第56页 |
| 4.5 本章小结 | 第56-57页 |
| 第5章 实验设计与结果 | 第57-71页 |
| 5.1 数据集和评价标准 | 第57-59页 |
| 5.1.1 选择和标准 | 第57页 |
| 5.1.2 数据集描述 | 第57-58页 |
| 5.1.3 数据预处理 | 第58-59页 |
| 5.1.4 评价准则 | 第59页 |
| 5.2 非用户特征敏感的混合 | 第59-64页 |
| 5.2.1 单一预测器的训练 | 第59-60页 |
| 5.2.2 考虑混合结果的预测器训练 | 第60-64页 |
| 5.3 混合权重需要考虑用户特征的证明 | 第64-65页 |
| 5.4 多任务学习低维属性表示算法 | 第65-67页 |
| 5.5 多任务排序融合算法 | 第67-68页 |
| 5.6 聚类减少任务数量 | 第68页 |
| 5.7 覆盖率/命中率计算 | 第68-69页 |
| 5.8 本章小结 | 第69-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71-72页 |
| 6.2 展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77页 |
