| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 目前存在的问题 | 第15-17页 |
| 1.4 论文的研究内容 | 第17页 |
| 1.5 论文的组织结构 | 第17-19页 |
| 2 相关工作 | 第19-29页 |
| 2.1 矩阵分解推荐算法研究 | 第19-23页 |
| 2.1.1 奇异值分解方法 | 第19-21页 |
| 2.1.2 隐语义模型 | 第21-23页 |
| 2.2 基于隐式反馈的推荐算法相关研究 | 第23-25页 |
| 2.2.1 基于用户隐式反馈数据的推荐算法 | 第23-24页 |
| 2.2.2 基于异构反馈数据的推荐算法研究 | 第24-25页 |
| 2.3 跨域推荐中使用迁移学习的相关算法 | 第25-26页 |
| 2.4 并行计算框架 | 第26-27页 |
| 2.5 本章小结 | 第27-29页 |
| 3 加入用户对项目属性偏好的正则化奇异值分解算法 | 第29-40页 |
| 3.1 用户数据表示及偏好建模 | 第29-31页 |
| 3.1.1 评分数据描述 | 第29页 |
| 3.1.2 项目属性数据描述 | 第29-30页 |
| 3.1.3 用户对项目属性的偏好数据建模 | 第30-31页 |
| 3.2 加入用户对项目属性偏好的UC-SVD算法 | 第31-34页 |
| 3.2.1 加入项目属性因子 | 第31-32页 |
| 3.2.2 加入用户对项目属性偏好因子 | 第32-33页 |
| 3.2.3 参数的更新算法及UC-SVD算法推荐流程 | 第33-34页 |
| 3.3 实验及结果分析 | 第34-39页 |
| 3.3.1 实验数据及实验环境 | 第34-35页 |
| 3.3.2 算法评价指标 | 第35页 |
| 3.3.3 实验及结果分析 | 第35-39页 |
| 3.4 本章小结 | 第39-40页 |
| 4 应用异构用户隐式反馈进行迁移学习的推荐算法 | 第40-51页 |
| 4.1 用户隐式反馈数据预处理 | 第40-41页 |
| 4.2 迁移用户隐式反馈的推荐 | 第41-44页 |
| 4.2.1 问题建模 | 第41-43页 |
| 4.2.2 目标函数求解 | 第43-44页 |
| 4.3 基于用户隐式反馈迁移学习的HFBT算法 | 第44-45页 |
| 4.4 实验及结果分析 | 第45-50页 |
| 4.4.1 实验环境 | 第45-46页 |
| 4.4.2 数据集处理与划分 | 第46-47页 |
| 4.4.3 算法评价指标 | 第47页 |
| 4.4.4 实验结果及分析 | 第47-50页 |
| 4.5 本章小结 | 第50-51页 |
| 5 总结与展望 | 第51-53页 |
| 5.1 工作总结 | 第51-52页 |
| 5.2 研究展望 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 作者简历及攻读硕士期间取得的研究成果 | 第56-58页 |
| 学位论文数据集 | 第58页 |