摘要
第1章 绪论
1.1 引言
1.2 课题背景及意义
1.2.1 网络发展现状和网络服务特征
1.2.2 推荐系统的应用意义
1.3 本文的研究目标
1.4 本文内容组织
1.5 本章小结
第2章 基础理论与相关技术
2.1 推荐系统概述
2.1.1 推荐系统定义
2.1.2 推荐系统技术概述
2.2 推荐系统相关数据挖掘技术
2.3 推荐系统和推荐算法
2.3.1 协同过滤概述
2.3.2 基于内容的推荐概述
2.4 本章小结
第3章 多推荐算法的混合
3.1 混合推荐系统主要构成方式
3.2 混合系统中应用的协同过滤算法
3.2.1 参数调节
3.2.2 基于项目的k近邻算法(kNN Item)
3.2.3 奇异值矩阵分解(SvD)
3.2.4 受限波尔兹曼机(Restricted Bolzmn Machine,RBM)
3.2.5 全局属性(Global Effect,GE)
3.2.6 时间空间复杂度分析
3.3 混合系统中多算法的混合
3.4 本章小结
第4章 多任务学习和算法混合
4.1 多任务学习技术优势
4.2.1 问题定义
4.2.2 学习算法
4.3 多任务排序融合
4.3.1 符号定义
4.3.2 算法说明
4.4 聚类减少任务数目
4.5 本章小结
第5章 实验设计与结果
5.1 数据集和评价标准
5.1.1 选择和标准
5.1.2 数据集描述
5.1.3 数据预处理
5.1.4 评价准则
5.2 非用户特征敏感的混合
5.2.1 单一预测器的训练
5.2.2 考虑混合结果的预测器训练
5.3 混合权重需要考虑用户特征的证明
5.4 多任务学习低维属性表示算法
5.5 多任务排序融合算法
5.6 聚类减少任务数量
5.7 覆盖率/命中率计算
5.8 本章小结
第6章 总结与展望
6.1 总结
6.2 展望
参考文献
致谢