| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 1 绪论 | 第9-16页 |
| 1.1 推荐系统的研究研究背景和意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 推荐系统的研究现状 | 第10-14页 |
| 1.2.1 国外研究现状 | 第10-12页 |
| 1.2.2 国内研究现状 | 第12-14页 |
| 1.3 研究内容 | 第14页 |
| 1.4 论文结构 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 2 推荐系统相关研究综述 | 第16-31页 |
| 2.1 推荐系统定义 | 第16页 |
| 2.2 推荐系统的分类 | 第16-29页 |
| 2.2.1 基于内容的推荐 | 第17-19页 |
| 2.2.2 基于协同过滤的推荐 | 第19-25页 |
| 2.2.3 基于图的推荐 | 第25-27页 |
| 2.2.4 基于关联规则的推荐 | 第27-28页 |
| 2.2.5 组合推荐方式 | 第28-29页 |
| 2.3 推荐系统面临的挑战 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 3 基于矩阵分解的协同过滤推荐算法 | 第31-41页 |
| 3.1 隐含语义模型 | 第31页 |
| 3.2 基本矩阵分解模型 | 第31-32页 |
| 3.3 规范化的奇异值分解FUNK-SVD | 第32-35页 |
| 3.3.1 在TopN推荐中的应用 | 第32-34页 |
| 3.3.2 在评分预测问题中的应用 | 第34-35页 |
| 3.4 加入偏置项的奇异值分解BIASED-SVD | 第35-37页 |
| 3.5 加入邻域信息的SVD++ | 第37-38页 |
| 3.6 加入时间信息的TIME-SVD++ | 第38-39页 |
| 3.7 非负矩阵分解NMF | 第39-40页 |
| 3.8 本章小结 | 第40-41页 |
| 4 基于离散评分的二项矩阵分解算法的改进 | 第41-51页 |
| 4.1 二项矩阵分解算法及其改进 | 第41-45页 |
| 4.1.1 二项分布模型 | 第41-42页 |
| 4.1.2 二项矩阵分解算法 | 第42-45页 |
| 4.2 离散评分预测值取整算法 | 第45-49页 |
| 4.2.1 相关定义 | 第46页 |
| 4.2.2 取整问题介绍 | 第46-47页 |
| 4.2.3 取整对于推荐精度提高的证明 | 第47-49页 |
| 4.2.4 基于全局最优的相邻取整算法 | 第49页 |
| 4.3 本章小结 | 第49-51页 |
| 5 基于全局信任的矩阵分解模型研究 | 第51-58页 |
| 5.1 相关定义 | 第51-52页 |
| 5.1.1 信任的定义 | 第51页 |
| 5.1.2 信任度的性质 | 第51-52页 |
| 5.1.3 信任度的引入 | 第52页 |
| 5.2 基于信任模型的矩阵分解 | 第52-57页 |
| 5.2.1 信任度的计算 | 第53-55页 |
| 5.2.2 基于矩阵分解的模型 | 第55页 |
| 5.2.3 基于信任度模型的矩阵分解 | 第55-56页 |
| 5.2.4 算法描述 | 第56-57页 |
| 5.3 本章小结 | 第57-58页 |
| 6 实验分析 | 第58-69页 |
| 6.1 实验采用的数据集 | 第58页 |
| 6.1.1 MovieLens数据集 | 第58页 |
| 6.1.2 百度电影推荐数据集 | 第58页 |
| 6.2 实验环境 | 第58-59页 |
| 6.3 实验评价指标 | 第59-61页 |
| 6.3.1 RMSE | 第59-60页 |
| 6.3.2 MAE | 第60页 |
| 6.3.3 分类准确度指标 | 第60-61页 |
| 6.4 实验设计 | 第61页 |
| 6.5 实验分析 | 第61-68页 |
| 6.5.1 在MovieLens数据集下实验分析 | 第61-66页 |
| 6.5.2 在百度电影推荐数据集上的实验分析 | 第66-68页 |
| 6.6 本章小结 | 第68-69页 |
| 7 总结与展望 | 第69-71页 |
| 7.1 工作总结 | 第69页 |
| 7.2 工作展望 | 第69-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 附录 | 第75页 |