| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 研究内容与方法 | 第15-16页 |
| 1.3.1 课题研究内容 | 第15页 |
| 1.3.2 课题研究方法 | 第15-16页 |
| 1.4 本文组织结构 | 第16-17页 |
| 第2章 相关技术概述 | 第17-31页 |
| 2.1 协同过滤推荐算法概述 | 第17-20页 |
| 2.1.1 基于邻居的协同过滤算法 | 第17-19页 |
| 2.1.2 基于模型的协同过滤算法 | 第19-20页 |
| 2.2 受限玻尔兹曼机模型概述 | 第20-27页 |
| 2.2.1 网络结构 | 第20-21页 |
| 2.2.2 能量函数与梯度计算公式 | 第21-24页 |
| 2.2.3 对比散度算法 | 第24-26页 |
| 2.2.4 RBM训练算法 | 第26-27页 |
| 2.3 奇异值分解模型概述 | 第27-29页 |
| 2.3.1 正交变换 | 第27页 |
| 2.3.2 特征值分解 | 第27-28页 |
| 2.3.3 奇异值分解 | 第28-29页 |
| 2.4 基于SVD模型的推荐算法概述 | 第29-30页 |
| 2.4.1 隐语义模型 | 第29-30页 |
| 2.4.2 正则化 | 第30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 基于条件受限玻尔兹曼机的协同过滤算法 | 第31-41页 |
| 3.1 基于RBM的协同过滤算法 | 第31-35页 |
| 3.2 针对用户的CRBM协同过滤算法 | 第35-36页 |
| 3.3 针对项目的CRBM协同过滤算法 | 第36-39页 |
| 3.4 实验设计与分析 | 第39-40页 |
| 3.4.1 数据集及评价指标 | 第39页 |
| 3.4.2 实验结果与分析 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 融合KNN与非对称SVD的协同过滤算法 | 第41-69页 |
| 4.1 基于用户行为属性的SVD++模型 | 第41-47页 |
| 4.1.1 Basi SVD | 第41-44页 |
| 4.1.2 SVD++ | 第44-47页 |
| 4.2 非对称SVD模型及其对偶模型 | 第47-54页 |
| 4.2.1 ASVD | 第47-51页 |
| 4.2.2 对偶模型 | 第51-54页 |
| 4.3 融合K最近邻模型与ASVD模型的评分预测算法 | 第54-57页 |
| 4.3.1 K最近邻算法 | 第54-55页 |
| 4.3.2 ASVD-KNN融合模型 | 第55-57页 |
| 4.4 实验设计与分析 | 第57-67页 |
| 4.4.1 数据集与评价指标 | 第57-58页 |
| 4.4.2 实验结果与分析 | 第58-67页 |
| 4.5 本章小结 | 第67-69页 |
| 第5章 总结与展望 | 第69-71页 |
| 5.1 本文总结 | 第69-70页 |
| 5.2 研究展望 | 第70-71页 |
| 参考文献 | 第71-77页 |
| 致谢 | 第77-79页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第79页 |