| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 国内外研究进展 | 第12-14页 |
| 1.2.1 推荐系统的研究进展 | 第12-13页 |
| 1.2.2 RBM的研究进展 | 第13-14页 |
| 1.3 本文的工作 | 第14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 第2章 传统推荐算法介绍 | 第16-32页 |
| 2.1 推荐系统介绍 | 第16-20页 |
| 2.1.1 推荐系统概念 | 第16-18页 |
| 2.1.2 推荐算法类别 | 第18-20页 |
| 2.2 协同过滤算法介绍 | 第20-27页 |
| 2.2.1 基于用户的协同过滤算法 | 第20-23页 |
| 2.2.2 基于项目的协同过滤算法 | 第23-27页 |
| 2.3 基于矩阵分解的推荐算法 | 第27-29页 |
| 2.3.1 基于矩阵分解的算法介绍 | 第27-28页 |
| 2.3.2 梯度下降法 | 第28-29页 |
| 2.4 评价指标 | 第29-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第3章 基于改进K-MEANS聚类算法的协同过滤 | 第32-41页 |
| 3.1 优化背景 | 第32页 |
| 3.2 K-MEANS聚类算法 | 第32-33页 |
| 3.3 基于信任关系和时间衰减的K-MEANS算法 | 第33-36页 |
| 3.4 实验结果和分析 | 第36-40页 |
| 3.4.1 实验数据 | 第36-37页 |
| 3.4.2 评价标准 | 第37-38页 |
| 3.4.3 实验结果与分析 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 基于TCKMEANS-CF和RBM的协同过滤推荐算法 | 第41-54页 |
| 4.1 优化背景 | 第41页 |
| 4.2 基于深度学习的推荐系统 | 第41-44页 |
| 4.2.1 自编码器 | 第41-42页 |
| 4.2.2 循环神经网络 | 第42-44页 |
| 4.3 受限玻尔兹曼机RBM | 第44-46页 |
| 4.3.1 模型 | 第44-45页 |
| 4.3.2 学习算法 | 第45-46页 |
| 4.4 基于RBM的协同过滤 | 第46-49页 |
| 4.5 基于TCKMEANS-CF和RBM的协同过滤 | 第49-51页 |
| 4.6 实验结果与分析 | 第51-53页 |
| 4.7 本章小结 | 第53-54页 |
| 第5章 总结与展望 | 第54-55页 |
| 5.1 本文总结 | 第54页 |
| 5.2 未来展望 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 作者简介及在学期间所取得的科研成果 | 第60-61页 |
| 致谢 | 第61页 |
