声明
第一章 绪论
1.1 课题的研究背景及意义
1.2 国内外研究现状
1.2.1 信息过滤在推荐系统中的 研究
1.2.2 推荐系统存在的问题
1.3 课题主要研究内容及创新点
1.3.1 论文主要研究内容
1.3.2 论文主要创新点
1.4 论文的组织结构
第二章 矩阵分解模型和迭代求解方法
2.1 协同过滤中的矩阵分解
2.1.1奇异值分解
2.1.2 特征奇异值分解
2.1.3 概率矩阵分解(PMF)
2.1.4 带偏置项的矩阵分解模型(BiasSVD)
2.1.5 隐反馈模型(SVD++)
2.1.6 神经矩阵分解(ConvMF)
2.2 梯度下降
2.2.1 凸优化问题
2.2.2 梯度下降
2.3 牛顿法与拟牛顿法
2.3.1 牛顿法
2.3.2 拟牛顿法
2.3.3 DFP与BFGS算法
2.4 本章小结
第三章 基于重构特征的交替反馈矩阵分解模型
3.1 引言
3.1.1矩阵分解
3.1.2矩阵分解的问题
3.2 相关工作
3.2.1隐反馈模型
3.2.2非负矩阵分解模型
3.2.3图信息模型
3.2.4基于信任矩阵模型
3.2.5融入辅助信息的推荐
3.2.6本文工作
3.3 重构特征
3.3.1显性特征
3.3.2隐性特征及重构
3.4 交替反馈矩阵分解模型
3.4.1交替反馈
3.4.2补充预测与复杂度分析
3.5 算法伪代码
3.5.1重构特征伪代码
3.5.2交替反馈补充预测伪代码
3.6 数据实验结果与分析
3.6.1 MAE与RMSE对比结果
3.6.2模型效率与影响分析
3.6.3预测稳定性分析
3.7 本章小结
第四章 拟合矩阵与两阶融合加速推荐算法
4.1 引言
4.2 相关概念
4.2.1 SVD在推荐系统中的应用
4.2.2拟牛顿法原理
4.3 算法结构分析
4.3.1拟合矩阵模型
4. 3.2 两阶融合迭代加速模型
4.3.3两阶融合方式
4.4 算法伪代码分析
4.5 实验数据分析
4.5.1实验数据集
4.5.2评价标准
4.5.3实验对比
4.6 本章小结
第五章 总结与展望
5.1 总结
5.2 展望
参考文献
在读期间取得科研成果
致谢
山东理工大学;