1 绪 论
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状
1.2.1 协同过滤算法的研究现状
1.2.2 基于聚类的协同过滤算法的研究现状
1.2.3 基于上下文信息推荐算法的研究现状
1.2.4 基于互域信息协同过滤算法的研究现状
1.3 本文的主要工作和创新点
1.4 本文章节安排
2 推荐系统的一般框架与分类
2.1 引言
2.2 推荐系统的一般框架
2.3 推荐系统的分类
3 本文相关经典方法介绍
3.1 引言
3.2 一般矩阵分解算法
3.3 多类共聚类MCoC算法
3.4 评分矩阵生成RMGM模型
3.5 正交非负矩阵三因子分解算法
3.6 加性共聚类ACCAMS 算法
3.7 本章小结
4 基于软共聚类的SCoC 方法研究
4.1 引言
4.2.1 用户偏好矩阵构造
4.2.2 用户-项目关系模型
4.2.3 软-K示性交替投影算法
4.2.4 基于软共聚类的SCoC模型
4.2.5 Top-N 推荐列表生成过程
4.3 实验设置
4.3.1 数据集选取
4.3.2 性能评估度量
4.3.3 对比算法选取
4.4 实验结果
4.4.1 性能对比
4.4.2 参数选取
4.5.1 稀疏性
4.5.2 可扩展性
4.5.3 冷启动性
4.6 本章小结
5 基于上下文信息和迁移学习的IDTL方法研究5.1 引言
5.2.1 问题的提出
5.2.2 随机决策树构造
5.2.3 子矩阵选取方法
5.2.4 域内迁移学习算法
5.2.5 评分预测矩阵构造
5.3 实验设置
5.3.1 数据集选取
5.3.2 性能评估度量
5.3.3 对比算法选取
5.4 实验结果
5.4.1 性能对比
5.4.2 参数选取
5.5 本章小结
6 基于正交非负矩阵三因子分解的AONMT方法研究6.1 引言
6.2.1 用户/项目相似度矩阵构造
6.2.2 用户/项目划分信息生成
6.2.3 Stencil矩阵构造
6.2.4AONMT 算法
6.3 实验设置
6.3.1 数据集选取
6.3.2 性能评估度量
6.3.3 对比算法选取
6.4 实验结果
6.4.1 性能对比
6.4.2 参数选取
6.5 本章小结
7 总结与展望
7.1 本文工作总结
7.2 后续工作展望
参考文献
附录
A. 作者在攻读博士学位期间发表的论文目录
B. 作者在攻读博士学位期间参加的科研项目及得奖情况
C. 学位论文数据集
致谢
声明
重庆大学;