| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第11-22页 |
| 1.1 课题背景 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-20页 |
| 1.2.1 基于内容的推荐 | 第14-15页 |
| 1.2.2 基于近邻的协同过滤推荐 | 第15-16页 |
| 1.2.3 基于模型的协同过滤推荐 | 第16-20页 |
| 1.3 本文主要工作 | 第20页 |
| 1.4 本文组织结构 | 第20-22页 |
| 第2章 相关技术综述 | 第22-34页 |
| 2.1 潜在因子模型 | 第22-28页 |
| 2.1.1 概率矩阵分解模型 | 第22-24页 |
| 2.1.2 结合物品曝光度的潜在因子模型 | 第24-27页 |
| 2.1.3 结合社交信息的潜在因子模型 | 第27-28页 |
| 2.2 概率模型参数推导方法 | 第28-32页 |
| 2.2.1 极大似然估计 | 第29页 |
| 2.2.2 极大后验估计 | 第29-30页 |
| 2.2.3 期望最大化 | 第30-32页 |
| 2.3 用户影响力算法 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第3章 基于用户社交网络和物品曝光度的概率矩阵分解方法 | 第34-45页 |
| 3.1 问题与定义 | 第34-37页 |
| 3.1.1 隐式反馈推荐 | 第34-35页 |
| 3.1.2 用户社交信息 | 第35页 |
| 3.1.3 物品曝光度 | 第35-36页 |
| 3.1.4 模型流程 | 第36-37页 |
| 3.2 用户影响力计算 | 第37-40页 |
| 3.3 基于用户社交网络和物品曝光度的矩阵分解 | 第40-44页 |
| 3.3.1 模型描述 | 第40-42页 |
| 3.3.2 期望最大化进行参数推导 | 第42-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 实验结果与分析 | 第45-60页 |
| 4.1 数据集介绍 | 第45-46页 |
| 4.2 评价标准介绍 | 第46-47页 |
| 4.3 实验方案 | 第47-49页 |
| 4.3.1 模型参数分析 | 第47-48页 |
| 4.3.2 模型性能分析 | 第48页 |
| 4.3.3 模型对比分析 | 第48-49页 |
| 4.4 实验结果与分析 | 第49-59页 |
| 4.4.1 不同参数对模型的影响 | 第49-54页 |
| 4.4.2 用户社交关系和用户影响力对模型的影响 | 第54-56页 |
| 4.4.3 模型对比及分析 | 第56-59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 本文总结 | 第60-61页 |
| 5.2 未来工作展望 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 攻读硕士学位期间主要的研究成果 | 第67-68页 |
| 致谢 | 第68页 |