| 摘要 | 第3-4页 |
| ABSTRACTS | 第4-5页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 推荐算法的国内外研究现状 | 第11-13页 |
| 1.3 本文主要工作和创新点 | 第13-15页 |
| 1.4 本文的组织结构 | 第15-16页 |
| 第2章 基本概念及相关工作 | 第16-26页 |
| 2.1 推荐系统介绍 | 第16-19页 |
| 2.1.1 推荐系统的概念介绍 | 第16-17页 |
| 2.1.2 推荐系统算法的分类 | 第17-18页 |
| 2.1.3 推荐系统的评价指标 | 第18-19页 |
| 2.2 协同过滤算法介绍 | 第19-26页 |
| 2.2.1 基于近邻的推荐 | 第19-21页 |
| 2.2.2 基于矩阵分解的推荐 | 第21-26页 |
| 第3章 结合物品内容相似性的RBM协同过滤模型 | 第26-41页 |
| 3.1 受限波尔兹曼机RBM | 第26-27页 |
| 3.2 基于RBM的协同过滤 | 第27-30页 |
| 3.3 结合物品内容相似性的RBM | 第30-34页 |
| 3.3.1 Word2vec介绍 | 第31-33页 |
| 3.3.2 结合物品内容相似性的CS-RBM | 第33-34页 |
| 3.4 实验结果分析对比 | 第34-40页 |
| 3.4.1 数据集介绍 | 第34-35页 |
| 3.4.2 评价标准 | 第35-36页 |
| 3.4.3 隐含层节点数与RBM的关系 | 第36页 |
| 3.4.4 训练数据参与训练的次数与RBM的关系 | 第36-37页 |
| 3.4.5 内容相似度的权重α与CS-RBM的关系 | 第37-38页 |
| 3.4.6 CS-RBM与其他模型的对比 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 用户与物品特征双向约束的深度协同过滤模型 | 第41-60页 |
| 4.1 协同主题回归模型(CTR) | 第41-44页 |
| 4.1.1 LDA模型简介 | 第42-43页 |
| 4.1.2 协同主题回归模型 | 第43-44页 |
| 4.2 深度协同推荐模型(CDL) | 第44-50页 |
| 4.2.1 栈式降噪自编码深度模型(SDAE) | 第45-47页 |
| 4.2.2 深度协同推荐模型 | 第47-50页 |
| 4.3 考虑用户特征约束的双向深度协同推荐模型(DCDL) | 第50-52页 |
| 4.4 实验结果分析对比 | 第52-59页 |
| 4.4.1 数据集 | 第52-53页 |
| 4.4.2 评价标准 | 第53-54页 |
| 4.4.3 实验参数设置 | 第54页 |
| 4.4.4 各模型实验结果对比分析 | 第54-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第5章 总结与展望 | 第60-62页 |
| 5.1 全文总结 | 第60-61页 |
| 5.2 未来工作研究 | 第61-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68-69页 |
| 攻读学位期间的研究成果 | 第69页 |