| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| List of Acronyms | 第6-8页 |
| Mathematical Notation | 第8-16页 |
| Chapter 1 Introduction | 第16-43页 |
| 1.1 Recommender System | 第18-25页 |
| 1.1.1 Types of recommender systems | 第18-25页 |
| 1.2 Motivation | 第25-27页 |
| 1.3 Challenges | 第27-28页 |
| 1.4 Objectives | 第28页 |
| 1.5 Matrix Factorization | 第28-34页 |
| 1.5.1 Model | 第29-32页 |
| 1.5.2 Latent factors | 第32-34页 |
| 1.6 Artificial Neural Network | 第34-37页 |
| 1.6.1 Artificial neuron | 第36-37页 |
| 1.7 Deep Learning Models | 第37-43页 |
| 1.7.1 Deep models for recommender systems | 第39-43页 |
| Chapter 2 Foundation for Autoencoder | 第43-55页 |
| 2.1 Model of Autoencoder | 第43-46页 |
| 2.2 Training | 第46-49页 |
| 2.2.1 Empirical risk minimization | 第47页 |
| 2.2.2 SGD | 第47-49页 |
| 2.3 Backpropagation | 第49-50页 |
| 2.4 Relationship between MF and Autoencoder | 第50-55页 |
| Chapter 3 Side Information | 第55-62页 |
| 3.1 Notations | 第57页 |
| 3.2 Method | 第57-60页 |
| 3.2.1 BoW | 第58-60页 |
| 3.2.2 TF-IDF | 第60页 |
| 3.3 Conclusion | 第60-62页 |
| Chapter 4 Stacked Denoising Autoencoders with MF (SDAM) | 第62-99页 |
| 4.1 SDA | 第62-65页 |
| 4.1.1 SDA and CF | 第64-65页 |
| 4.2 Formulation of problem | 第65-69页 |
| 4.2.1 Input | 第65-67页 |
| 4.2.2 Objective | 第67-69页 |
| 4.3 Training SDAM | 第69-81页 |
| 4.3.1 The concept of loss function(objective function) | 第70-71页 |
| 4.3.2 BCD for MF | 第71-72页 |
| 4.3.3 SGD for SDA | 第72-73页 |
| 4.3.4 SDAM | 第73-80页 |
| 4.3.5 Adding visual features | 第80-81页 |
| 4.4 Experimental Results | 第81-99页 |
| 4.4.1 Model flow | 第82-84页 |
| 4.4.2 Implementation | 第84-89页 |
| 4.4.3 Prediction | 第89-92页 |
| 4.4.4 Evaluation metric and results | 第92-99页 |
| Conclusion | 第99-101页 |
| References | 第101-107页 |
| Acknowledgement | 第107-108页 |
| Resume | 第108-109页 |
| Appendix A: Tables | 第109页 |
