| 中文摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-21页 |
| 1.1 大数据背景下的推荐技术 | 第9页 |
| 1.2 课题研究的背景与意义 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-11页 |
| 1.4 推荐技术综述 | 第11-19页 |
| 1.4.1 主流的推荐算法分类 | 第12页 |
| 1.4.2 基于内容的推荐技术 | 第12-16页 |
| 1.4.3 基于人口统计学的推荐 | 第16页 |
| 1.4.4 协同过滤(CollaborativeFiltering)技术 | 第16-19页 |
| 1.4.5 基于模型的推荐 | 第19页 |
| 1.5 本文主要内容与结构 | 第19-21页 |
| 第2章 因子分解机的基本理论 | 第21-26页 |
| 2.1 基于隐因子模型的推荐原理 | 第21-22页 |
| 2.2 因子分解机(FactorizationMachines) | 第22-24页 |
| 2.2.1 因子分解机简介 | 第22-23页 |
| 2.2.2 因子分解机原理 | 第23-24页 |
| 2.3 书籍推荐的特点 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 交互式分解机i-FM | 第26-35页 |
| 3.1 交互式分解机(InteractiveFactorizationMachine) | 第26页 |
| 3.2 交互式分解机性能分析 | 第26-27页 |
| 3.3 书籍推荐中交互式分解机的训练集构造 | 第27-30页 |
| 3.4 书籍资源推荐中i-FM因子分解运作原理 | 第30页 |
| 3.5 i-FM的冷启动与交互项运作原理 | 第30-33页 |
| 3.6 记忆衰减型交互强度因子的性质 | 第33-34页 |
| 3.7 本章小结 | 第34-35页 |
| 第4章 交互式分解机的求解 | 第35-46页 |
| 4.1 损失函数 | 第35-36页 |
| 4.2 训练学习算法 | 第36-45页 |
| 4.2.1 随机梯度下降法(SGD)训练i-FM | 第37-38页 |
| 4.2.2 交替最小二乘法(ALS)训练i-FM | 第38-45页 |
| 4.3 本章小结 | 第45-46页 |
| 第5章 实验 | 第46-51页 |
| 5.1 实验概述 | 第46页 |
| 5.2 交互式分解机i-FM回归预测 | 第46-48页 |
| 5.3 冷启动试验 | 第48-49页 |
| 5.4 i-FM的学习算法对比 | 第49-50页 |
| 5.5 本章小结 | 第50-51页 |
| 第6章 工作总结与展望 | 第51-53页 |
| 6.1 工作总结 | 第51页 |
| 6.2 工作展望 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间发表的学术论文 | 第58页 |
