| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 选题背景及意义 | 第9-11页 |
| 1.1.1 选题背景 | 第9-10页 |
| 1.1.2 选题意义 | 第10-11页 |
| 1.2 研究现状与相关工作 | 第11-13页 |
| 1.2.1 基于评分矩阵的推荐技术 | 第11-12页 |
| 1.2.2 基于评论文本的推荐技术 | 第12-13页 |
| 1.3 研究难点及创新 | 第13-14页 |
| 1.4 论文内容安排 | 第14-16页 |
| 第2章 数据预处理及评分矩阵分解模型 | 第16-33页 |
| 2.1 数据的特征分析及预处理 | 第16-24页 |
| 2.1.1 数据来源及特征分析 | 第16-17页 |
| 2.1.2 数据集的长尾特性 | 第17-20页 |
| 2.1.3 数据的稀疏性及冷启动问题 | 第20-22页 |
| 2.1.4 数据的预处理 | 第22-24页 |
| 2.2 基于评分数据的矩阵分解模型 | 第24-27页 |
| 2.2.1 传统的评分矩阵分解模型 | 第24-27页 |
| 2.2.2 邻域影响的矩阵分解模型 | 第27页 |
| 2.3 传统模型实验结果分析 | 第27-32页 |
| 2.3.1 常用的模型评估方法 | 第27-28页 |
| 2.3.2 实验结果分析 | 第28-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 融合评分与评论的HFPT及DLMF算法 | 第33-55页 |
| 3.1 基于评论主题偏好的HFPT算法 | 第33-40页 |
| 3.1.1 评论文本的主题发现 | 第33-35页 |
| 3.1.2 HFT、HFPT融合算法的原理 | 第35-38页 |
| 3.1.3 HFPT算法的拟合求解 | 第38-40页 |
| 3.2 融合用户偏好与商品特性的DLMF算法 | 第40-48页 |
| 3.2.1 用户评论集的主题发现 | 第40-43页 |
| 3.2.2 商品评论集的主题发现 | 第43-44页 |
| 3.2.3 DLMF融合算法的原理 | 第44-46页 |
| 3.2.4 DLMF算法的拟合求解 | 第46-48页 |
| 3.3 实验结果分析 | 第48-54页 |
| 3.3.1 全局偏置算法以及LFM算法实验结果 | 第48-50页 |
| 3.3.2 HFT、HFPT算法实验结果 | 第50-51页 |
| 3.3.3 DLMF算法实验结果 | 第51-52页 |
| 3.3.4 实验结果对比分析 | 第52-54页 |
| 3.4 本章小结 | 第54-55页 |
| 第4章 PGMF、DPGMF算法及有用性评论识别 | 第55-69页 |
| 4.1 基于主题偏好引导的PGMF及DPGMF算法 | 第55-58页 |
| 4.1.1 PGMF融合算法原理 | 第55-56页 |
| 4.1.2 DPGMF融合算法原理 | 第56-58页 |
| 4.2 有用性评论的自动识别 | 第58-62页 |
| 4.2.1 有用性评论识别问题 | 第58-60页 |
| 4.2.2 有用性评论识别方法及改进 | 第60-62页 |
| 4.3 实验结果及分析 | 第62-68页 |
| 4.3.1 PGMF算法的实验结果 | 第62-63页 |
| 4.3.2 DPGMF算法的实验结果 | 第63-64页 |
| 4.3.3 实验结果对比分析 | 第64-66页 |
| 4.3.4 有用性评论识别的效果 | 第66-68页 |
| 4.4 本章小结 | 第68-69页 |
| 第5章 总结与展望 | 第69-72页 |
| 5.1 工作总结 | 第69-70页 |
| 5.2 论文展望 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 攻读学位期间获得与学位论文相关的科研成果 | 第76页 |