| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-10页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 推荐系统研究的背景与意义 | 第10-11页 |
| 1.2 深度学习的研究背景和意义 | 第11-12页 |
| 1.3 本文内容和意义 | 第12-13页 |
| 1.4 本文结构安排 | 第13-14页 |
| 第二章 推荐系统关键技术 | 第14-24页 |
| 2.1 常见推荐系统总体结构和推荐算法研究 | 第14-16页 |
| 2.1.1 微博智能广告推荐系统 | 第14-15页 |
| 2.1.2 推荐系统的一般研究方法 | 第15-16页 |
| 2.2 基于内容的推荐系统算法 | 第16-18页 |
| 2.2.1 基于贝叶斯模型的内容推荐系统算法 | 第17-18页 |
| 2.2.2 基于内容推荐系统的优缺点 | 第18页 |
| 2.3 基于协同过滤的推荐系统算法 | 第18-24页 |
| 2.3.1 相似度计算的最近邻协同过滤 | 第19-21页 |
| 2.3.2 基于潜在因素的矩阵分解的推荐系统算法 | 第21-23页 |
| 2.3.3 协同过滤推荐系统的优缺点 | 第23-24页 |
| 第三章 深度网络结构 | 第24-32页 |
| 3.1 相关背景及SIGMOID函数 | 第24-26页 |
| 3.2 波兹曼机介绍 | 第26-29页 |
| 3.2.1 波兹曼机与统计力学 | 第27页 |
| 3.2.2 受限波兹曼机 | 第27-29页 |
| 3.3 多层波兹曼机结构 | 第29-32页 |
| 第四章 深度结构模型的推荐算法和改进 | 第32-46页 |
| 4.1 深度学习的推荐算法和改进 | 第32-37页 |
| 4.1.1 波兹曼机在协同过滤上的应用 | 第32-34页 |
| 4.1.2 深度置信网络和传统的协同过滤相结合 | 第34-37页 |
| 4.2 多层模型的训练方法 | 第37-42页 |
| 4.2.1 无监督参数学习的预训练 | 第37-40页 |
| 4.2.2 吉布斯采样(Gibbs Sampling) | 第40-41页 |
| 4.2.3 对数似然函数的下界 | 第41-42页 |
| 4.2.4 反馈微调网络 | 第42页 |
| 4.3 其它深度结构与推荐算法 | 第42-46页 |
| 第五章 相关数据集下的实验 | 第46-56页 |
| 5.1 实验环境和相关数据集 | 第46页 |
| 5.2 实践与建模 | 第46-50页 |
| 5.2.1 数据预处理 | 第47页 |
| 5.2.2 算法设计与实践 | 第47-50页 |
| 5.3 不同模型在不同数据集下表现 | 第50-56页 |
| 第六章 总结和展望 | 第56-59页 |
| 6.1 论文工作总结 | 第56-57页 |
| 6.2 下一步工作 | 第57-59页 |
| 参考文献 | 第59-61页 |
| 致谢 | 第61-62页 |
| 攻读硕士学位期间发表的学术论文目录 | 第62页 |