| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 课题的背景、目的和意义 | 第9-10页 |
| 1.2 国内外研究现状及简介 | 第10-14页 |
| 1.2.1 协同过滤 | 第10-12页 |
| 1.2.2 深度学习 | 第12-14页 |
| 1.3 本文的主要工作及内容安排 | 第14-16页 |
| 第二章 近邻模型 | 第16-24页 |
| 2.1 评估标准 | 第16-17页 |
| 2.2 近邻模型 | 第17-22页 |
| 2.3 基于KNN的皮尔逊相关系数 | 第22-23页 |
| 2.4 本章总结 | 第23-24页 |
| 第三章 因子模型 | 第24-41页 |
| 3.1 SVD模型 | 第24-30页 |
| 3.2 RBM模型 | 第30-38页 |
| 3.3 实验验证 | 第38页 |
| 3.4 提高精确度 | 第38-40页 |
| 3.5 本章总结 | 第40-41页 |
| 第四章 混合因子模型 | 第41-48页 |
| 4.1 基于SVD思想的RBM模型 | 第41页 |
| 4.2 基于DBN(Deep Belief Network)思想的SVD模型 | 第41-44页 |
| 4.3 自编码AutoEncoder(AE)模型 | 第44-47页 |
| 4.4 本章总结 | 第47-48页 |
| 第五章 结论与展望 | 第48-50页 |
| 5.1 全文总结 | 第48-49页 |
| 5.2 展望 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 致谢 | 第53-54页 |
| 攻读硕士期间的研究成果 | 第54-55页 |