| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-19页 |
| 1.1 课题背景与意义 | 第8-9页 |
| 1.2 问题描述与评价方法介绍 | 第9-12页 |
| 1.2.1 问题描述 | 第9-12页 |
| 1.2.2 评价方法 | 第12页 |
| 1.3 国内外研究现状及分析 | 第12-16页 |
| 1.3.1 基于内容的方法 | 第12-13页 |
| 1.3.2 协同过滤方法 | 第13-16页 |
| 1.3.3 混合推荐方法 | 第16页 |
| 1.4 问题的难点和本文的研究思路 | 第16-17页 |
| 1.5 本文内容安排 | 第17-19页 |
| 第2章 基于逻辑回归模型与近邻模型的 Top-N 推荐 | 第19-30页 |
| 2.1 引言 | 第19页 |
| 2.2 腾讯微博数据集介绍 | 第19-20页 |
| 2.3 基于逻辑回归模型的 Top-N 推荐 | 第20-25页 |
| 2.3.1 逻辑回归模型 | 第21页 |
| 2.3.2 特征提取 | 第21-23页 |
| 2.3.3 实验设计与结果分析 | 第23-25页 |
| 2.4 基于近邻模型的 Top-N 推荐 | 第25-29页 |
| 2.4.1 近邻模型 | 第25-26页 |
| 2.4.2 实验设计与结果分析 | 第26-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于矩阵分解模型的 Top-N 推荐 | 第30-43页 |
| 3.1 引言 | 第30页 |
| 3.2 基于排序学习的矩阵分解模型 | 第30-33页 |
| 3.2.1 矩阵分解模型 | 第30-32页 |
| 3.2.2 基于排序学习的矩阵分解模型 | 第32-33页 |
| 3.3 特征分析与建模 | 第33-39页 |
| 3.3.1 社会网络特征 | 第33-34页 |
| 3.3.2 社交活动特征 | 第34页 |
| 3.3.3 性别和年龄特征 | 第34-36页 |
| 3.3.4 关键词和标签特征 | 第36页 |
| 3.3.5 类别特征 | 第36-37页 |
| 3.3.6 时间动态特征 | 第37页 |
| 3.3.7 用户活动模式特征 | 第37-38页 |
| 3.3.8 点击时间间隔特征 | 第38-39页 |
| 3.4 实验设计与结果分析 | 第39-42页 |
| 3.4.1 实验设计 | 第39-40页 |
| 3.4.2 实验结果与分析 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 Top-N 推荐问题中的特征扩展 | 第43-53页 |
| 4.1 引言 | 第43页 |
| 4.2 Last.fm 数据集介绍 | 第43-45页 |
| 4.3 特征扩展 | 第45-48页 |
| 4.3.1 特征稀疏问题 | 第45-46页 |
| 4.3.2 社会关系常用建模方法 | 第46-47页 |
| 4.3.3 特征扩展方法 | 第47-48页 |
| 4.4 实验设计与结果分析 | 第48-51页 |
| 4.4.1 实验设计 | 第48-49页 |
| 4.4.2 实验结果与分析 | 第49-51页 |
| 4.5 本章小结 | 第51-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-60页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第60-62页 |
| 致谢 | 第62页 |