| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 研究现状 | 第13-14页 |
| 1.3 研究内容和文章组织结构 | 第14-15页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 文章组织结构 | 第15页 |
| 1.4 本章小结 | 第15-17页 |
| 第2章 相关工作概述 | 第17-38页 |
| 2.1 引言 | 第17页 |
| 2.2 基于内容的推荐系统算法 | 第17-18页 |
| 2.3 基于用户的协同滤波 | 第18-19页 |
| 2.3.1 基本算法 | 第18-19页 |
| 2.3.2 改进算法 | 第19页 |
| 2.4 基于物品的协同滤波 | 第19-22页 |
| 2.4.1 基本算法 | 第20-21页 |
| 2.4.2 用户活跃度对物品相似度的影响 | 第21-22页 |
| 2.5 基于标签的推荐的协同滤波 | 第22-23页 |
| 2.6 基于矩阵分解的推荐系统算法 | 第23-27页 |
| 2.6.1 模型介绍 | 第23-25页 |
| 2.6.2 带偏置的矩阵分解 | 第25-26页 |
| 2.6.3 矩阵分解的优缺点 | 第26-27页 |
| 2.7 循环神经网络及其变种 | 第27-33页 |
| 2.7.1 Vanilla RNN | 第27页 |
| 2.7.2 LSTM | 第27-30页 |
| 2.7.3 GRU | 第30-32页 |
| 2.7.4 Phased LSTM | 第32-33页 |
| 2.8 递归神经网络在推荐系统中的应用 | 第33-37页 |
| 2.8.1 用RNN构造基于会话的推荐系统 | 第34-35页 |
| 2.8.2 递归推荐网络 | 第35-37页 |
| 2.9 本章小结 | 第37-38页 |
| 第3章 基于Time-LSTM的推荐算法 | 第38-46页 |
| 3.1 引言 | 第38页 |
| 3.2 问题定义 | 第38-39页 |
| 3.3 模型设计 | 第39页 |
| 3.4 Time LSTM 1 | 第39-40页 |
| 3.5 Time LSTM 2 | 第40-42页 |
| 3.6 Time LSTM 3 | 第42-43页 |
| 3.7 模型训练 | 第43-45页 |
| 3.8 本章小结 | 第45-46页 |
| 第4章 实验结果 | 第46-52页 |
| 4.1 数据集和实验设置 | 第46页 |
| 4.2 对比算法 | 第46-48页 |
| 4.2.1 CoOccur+BPR | 第47页 |
| 4.2.2 Session-RNN | 第47页 |
| 4.2.3 LSTM | 第47页 |
| 4.2.4 LSTM+Time | 第47-48页 |
| 4.2.5 Phased LSTM | 第48页 |
| 4.3 评价指标 | 第48页 |
| 4.3.1 Recall@10 | 第48页 |
| 4.3.2 MRR@10(Mean Precision Rank) | 第48页 |
| 4.4 实验结果与讨论 | 第48-50页 |
| 4.4.1 各种算法比较 | 第48-49页 |
| 4.4.2 算法在cold user和warm user上的表现 | 第49-50页 |
| 4.4.3 隐含层的大小与算法的效率 | 第50页 |
| 4.5 本章小结 | 第50-52页 |
| 第5章 总结和展望 | 第52-54页 |
| 5.1 总结 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 攻读硕士学位期间的主要研究成果 | 第57-58页 |
| 致谢 | 第58页 |