| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 课题背景 | 第11-13页 |
| 1.2 本文的主要工作 | 第13-14页 |
| 1.3 本文组织结构 | 第14页 |
| 1.4 本章小结 | 第14-15页 |
| 第2章 相关技术与研究现状 | 第15-32页 |
| 2.1 基本推荐算法 | 第15-27页 |
| 2.1.1 基于内容过滤的推荐算法 | 第15-17页 |
| 2.1.2 协同过滤推荐算法 | 第17-24页 |
| 2.1.3 混合推荐算法 | 第24-25页 |
| 2.1.4 推荐算法的评价标准 | 第25-27页 |
| 2.2 矩阵分解 | 第27-28页 |
| 2.3 隐式反馈 | 第28-29页 |
| 2.4 单类协同过滤 | 第29-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 基于隐式反馈的协同过滤推荐算法 | 第32-40页 |
| 3.1 问题描述 | 第32-34页 |
| 3.2 算法设计 | 第34-38页 |
| 3.2.1 用户交互历史信息的数据处理 | 第34-36页 |
| 3.2.2 用户交互历史信息合并 | 第36-37页 |
| 3.2.3 生成用户对电视剧的最终评分 | 第37-38页 |
| 3.2.4 数据平衡与推荐生成 | 第38页 |
| 3.3 本章小结 | 第38-40页 |
| 第4章 基于标签过滤与隐式反馈的数据平衡算法 | 第40-50页 |
| 4.1 问题描述 | 第40-41页 |
| 4.2 算法设计 | 第41-49页 |
| 4.2.1 通过电视剧标签获取负反馈样本 | 第42-44页 |
| 4.2.2 通过用户交互历史信息修正负反馈样本集合 | 第44-45页 |
| 4.2.3 添加置信度信息的概率矩阵分解算法 | 第45-47页 |
| 4.2.4 带有置信度的正反馈样本 | 第47-49页 |
| 4.3 本章小结 | 第49-50页 |
| 第5章 实验与结果分析 | 第50-63页 |
| 5.1 系统总体设计 | 第50-51页 |
| 5.2 数据获取与处理 | 第51-54页 |
| 5.2.1 数据来源 | 第51页 |
| 5.2.2 数据处理 | 第51-54页 |
| 5.3 实验设置与评价标准 | 第54-55页 |
| 5.3.1 实验设置 | 第54-55页 |
| 5.3.2 实验评价标准 | 第55页 |
| 5.4 基于隐式反馈的协同过滤 | 第55-58页 |
| 5.5 基于标签过滤与隐式反馈的数据平衡 | 第58-62页 |
| 5.6 本章小结 | 第62-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63页 |
| 6.2 展望 | 第63-65页 |
| 参考文献 | 第65-68页 |
| 致谢 | 第68页 |