声明
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 基于深度学习的推荐算法
1.2.2 基于时空关系的推荐算法
1.2.3社交网络中的推荐算法
1.3 本文的主要研究内容及创新点
1.4 本文的组织结构
第二章 相关理论基础
2.1 概率矩阵分解模型
2.2 卷积矩阵分解模型
2.3 评估方法
第三章 融入空间关系的卷积矩阵分解推荐算法
3.1 问题定义
3.2 推荐方法
3.2.1 ConvMF简介
3.2.2 融入空间关联的卷积矩阵分解模型CMFSR
3.2.3 CMFSR模型优化
3.3 实验设置
3.3.1 研究问题介绍
3.3.2 数据集介绍
3.3.3 基线方法介绍
3.3.4 实施细节
3.4 实验结果与分析
3.4.1 实验结果（RQ1）
3.4.2 空间关系矩阵的影响（RQ2）
3.4.3距离阈值对实验结果的影响分析（RQ3）
3.4.4 收敛性分析（RQ4）
3.5 本章小结
第四章 融入时间关系的联合卷积矩阵分解算法
4.1 问题定义
4.2 推荐方法
4.2.1 ConvMF简介
4.2.2 融入项目关系的卷积矩阵分解方法
4.2.3 融入项目关系和社交关系的卷积矩阵分解方法
4.2.4 联合卷积矩阵分解模型JCMF
4.2.5 JCMF模型优化
4.3 实验设置
4.3.1 研究问题介绍
4.3.2 数据集介绍
4.3.3 基线方法
4.3.4 实施细节
4.4 实验结果与分析
4.4.1 实验结果（RQ1）
4.4.2 项目关联的重要性分析（RQ2）
4.4.3 社交关联的重要性分析（RQ3）
4.4.4 用户评论文本的重要性分析（RQ4）
4.4.5 收敛性分析（RQ5）
4.5 本章小结
第五章 总结与展望
5.1 总结
5.2 未来工作展望
参考文献
攻读硕士学位期间的主要成果
致 谢
山东师范大学;
