| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.2.1 推荐系统应用 | 第12-13页 |
| 1.2.2 推荐算法研究现状 | 第13-14页 |
| 1.3 本文研究内容和结构安排 | 第14-17页 |
| 第2章 个性化推荐的关键技术 | 第17-27页 |
| 2.1 推荐系统的基本概念与结构 | 第17-19页 |
| 2.2 常用的推荐算法 | 第19-26页 |
| 2.2.1 基于内容的推荐算法 | 第19-21页 |
| 2.2.2 协同过滤推荐算法 | 第21-25页 |
| 2.2.3 混合推荐算法 | 第25-26页 |
| 2.3 评价标准 | 第26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 结合无监督深度置信网络的推荐算法 | 第27-45页 |
| 3.1 深度置信网络的理解 | 第27-33页 |
| 3.1.1 深度学习的思想 | 第27-28页 |
| 3.1.2 深度置信网络结构 | 第28-30页 |
| 3.1.3 训练DBN网络 | 第30-33页 |
| 3.2 结合UDBN的协同过滤推荐算法 | 第33-38页 |
| 3.2.1 应用于协同过滤算法中的无监督深度置信网络结构 | 第34-35页 |
| 3.2.2 结合UDBN的基于用户的协同过滤算法 | 第35-37页 |
| 3.2.3 结合UDBN的基于项目的协同过滤算法 | 第37-38页 |
| 3.3 实验分析 | 第38-43页 |
| 3.3.1 实验环境和数据集 | 第38页 |
| 3.3.2 结果分析 | 第38-43页 |
| 3.4 本章小结 | 第43-45页 |
| 第4章 结合时间上下文的协同过滤推荐算法 | 第45-59页 |
| 4.1 时间效应在推荐技术中的影响 | 第45-46页 |
| 4.2 艾宾浩斯遗忘曲线在协同过滤推荐算法中的应用 | 第46-48页 |
| 4.3 物品相关遗忘曲线在协同过滤推荐算法上的应用 | 第48-51页 |
| 4.3.1 物品相关的遗忘曲线函数 | 第48-49页 |
| 4.3.2 结合物品相关遗忘曲线函数的IR-IBCF推荐算法 | 第49-50页 |
| 4.3.3 结合物品相关遗忘曲线函数的UDBN-IR-IBCF推荐算法 | 第50-51页 |
| 4.4 实验分析 | 第51-57页 |
| 4.5 本章小结 | 第57-59页 |
| 第5章 总结与展望 | 第59-61页 |
| 5.1 本文工作总结 | 第59-60页 |
| 5.2 未来工作展望 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 作者简介以及科研成果 | 第67-69页 |
| 致谢 | 第69页 |
