| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 本文主要研究内容 | 第16-17页 |
| 1.4 本文组织结构 | 第17-18页 |
| 1.5 本章小结 | 第18-19页 |
| 第2章 相关工作 | 第19-31页 |
| 2.1 个性化推荐系统 | 第19-24页 |
| 2.1.1 推荐系统的形式化描述 | 第19-20页 |
| 2.1.2 常用的相似度度量方法 | 第20-21页 |
| 2.1.3 常用的评测方法和指标 | 第21-24页 |
| 2.2 经典协同过滤算法分析 | 第24-26页 |
| 2.2.1 基于用户的协同过滤算法 | 第24-25页 |
| 2.2.2 基于物品的协同过滤算法 | 第25-26页 |
| 2.3 上下文感知 | 第26-29页 |
| 2.3.1 上下文定义 | 第27页 |
| 2.3.2 上下文获取 | 第27-28页 |
| 2.3.3 上下文建模 | 第28页 |
| 2.3.4 上下文感知与推荐 | 第28-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第3章 基于SVD++模型的音乐推荐算法 | 第31-49页 |
| 3.1 问题描述 | 第31-32页 |
| 3.2 SVD++模型实现原理 | 第32-37页 |
| 3.2.1 SVD算法 | 第32-33页 |
| 3.2.2 LFM模型 | 第33-35页 |
| 3.2.3 SVD++模型 | 第35-37页 |
| 3.3 基于SVD++模型建模 | 第37-39页 |
| 3.3.1 用户特征向量建模 | 第37-38页 |
| 3.3.2 歌曲特征向量建模 | 第38页 |
| 3.3.3 评分预测模型建模 | 第38-39页 |
| 3.4 基于SVD++与kNN的融合模型 | 第39-42页 |
| 3.4.1 kNN算法 | 第39-41页 |
| 3.4.2 kNN-SVD++模型 | 第41页 |
| 3.4.3 BiasSVD-kNN模型 | 第41-42页 |
| 3.5 实验与分析 | 第42-48页 |
| 3.5.1 实验数据集 | 第42页 |
| 3.5.2 实验评测指标 | 第42-43页 |
| 3.5.3 实验环境说明 | 第43-44页 |
| 3.5.4 实验设计 | 第44页 |
| 3.5.5 实验结果与分析 | 第44-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第4章 基于SVD++与上下文感知的混合式音乐推荐算法 | 第49-63页 |
| 4.1 问题描述 | 第49-50页 |
| 4.2 算法框架 | 第50-51页 |
| 4.3 基于上下文感知建模 | 第51-55页 |
| 4.3.1 最近听歌记录生成 | 第52页 |
| 4.3.2 情绪波动模型建模 | 第52-55页 |
| 4.4 推荐列表生成 | 第55-56页 |
| 4.4.1 Top-K歌曲列表生成 | 第55页 |
| 4.4.2 Top-N歌曲列表生成 | 第55-56页 |
| 4.5 实验与分析 | 第56-62页 |
| 4.5.1 实验数据集 | 第56-57页 |
| 4.5.2 实验评测指标 | 第57页 |
| 4.5.3 实验环境说明 | 第57页 |
| 4.5.4 实验设计 | 第57-58页 |
| 4.5.5 实验结果与分析 | 第58-62页 |
| 4.6 本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-67页 |
| 附录 | 第67-68页 |
| 攻读学位期间发表的论文与研究成果清单 | 第68-69页 |
| 致谢 | 第69页 |