第一个书签之前
1 绪论 to.44em.
1.1 研究背景与意义
1.2 国内外研究发展现状
1.2.1 CUR矩阵分解与数据分析
1.2.2 RSVD矩阵分解与推荐系统
1.2.3 推荐系统中的推荐算法
1.3 基本概念及性质
1.3.1 SVD分解及其改进算法SVD++
1.3.2 特征提取的方法和技术
1.3.3 矩阵恢复
1.4 研究思路与创新点
1.5 内容组织
2 基于CUR矩阵分解的偏好特征提取to.44em.
2.1 CUR算法描述
2.2 CUR算法的求解实例
2.3 算法的性质分析
2.3.1 时间复杂度分析
2.3.2 空间复杂度分析
2.3.3 算法的准确性和压缩率
2.4 实验结果与分析
2.4.1 实验过程
2.4.2 评估尺度
2.4.3 实验讨论与对比
2.5 本章小结
3 CUR/C+RSVD两阶段协同预测框架to.44em.
3.1 正则化奇异值分解算法
3.1.1 RSVD的优势
3.1.2 RSVD面临的挑战
3.2 CUR/C+RSVD协同预测算法
3.2.1 改进CUR矩阵分解算法
3.2.2 CUR/C+RSVD算法描述
3.2.3 CUR/C+RSVD算法求解实例
3.3 算法的性质分析
3.3.1 算法正确性分析
3.3.2 算法时间复杂度分析
3.3.3 算法空间复杂度分析
3.3.4 算法的优势
3.4 实验结果与分析
3.4.1 评估尺度
3.4.2 实验过程
3.4.3 实验讨论与对比
3.5 本章小结
4 总结与展望to.44em.
参考文献to.44em.
致谢to.44em.
在读硕士期间发表的学术论文to.44em.
附录一 表目录to.44em.
附录二 图目录to.44em.
版权声明to.44em.