| 摘要 | 第1-8页 |
| ABSTRACT | 第8-11页 |
| 目录 | 第11-15页 |
| 第一章 绪论 | 第15-26页 |
| ·研究背景与意义 | 第15-17页 |
| ·本课题的历史与现状 | 第17-23页 |
| ·垂直搜索 | 第17-18页 |
| ·垂直搜索与综合搜索 | 第18-19页 |
| ·问题呈述与切入点选择 | 第19-23页 |
| ·文本分类中降维 | 第20-22页 |
| ·分类和推荐算法性能提升 | 第22页 |
| ·推荐算法精度提升 | 第22-23页 |
| ·本文主要研究内容 | 第23-24页 |
| ·本文组织结构 | 第24-26页 |
| 第二章 相关背景知识介绍 | 第26-35页 |
| ·文本分类一般过程 | 第26-29页 |
| ·文本预处理 | 第26页 |
| ·特征降维 | 第26-27页 |
| ·文本表示 | 第27页 |
| ·分类器选择 | 第27-28页 |
| ·分类性能评价 | 第28-29页 |
| ·数据集 | 第28页 |
| ·评价标准 | 第28-29页 |
| ·支持向量机SVMTorch | 第29页 |
| ·稀疏矩阵上的SVD近似算法Lanczos | 第29-31页 |
| ·推荐一般过程 | 第31-34页 |
| ·行推荐与列推荐 | 第32-33页 |
| ·测试集 | 第33-34页 |
| ·评价标准 | 第34页 |
| ·本章小结 | 第34-35页 |
| 第三章 潜在语义检索 | 第35-51页 |
| ·基于SVD的潜在语义 | 第35-36页 |
| ·LSI投影模型公式 | 第36-37页 |
| ·d_(lsi)=d~TUΛ~(-1)精度问题 | 第37-39页 |
| ·大稀疏矩阵上的SVD | 第39-40页 |
| ·雅克比分解 | 第40-41页 |
| ·雅克比简介 | 第40页 |
| ·LSI与PCA | 第40-41页 |
| ·经典LSI降维公式中奇异值矩阵A影响分析 | 第41-43页 |
| ·投影模型d_(lsi)=d~TUΛ~(l-1) | 第43-44页 |
| ·正则化下的投影模型 | 第44页 |
| ·实验验证 | 第44-50页 |
| ·测试集和参数设置 | 第46页 |
| ·总体比较 | 第46页 |
| ·RSVD-1 vs.SVD-1 | 第46-47页 |
| ·RSVD1 vs.SVD1 | 第47-48页 |
| ·参数b | 第48-49页 |
| ·讨论 | 第49-50页 |
| ·小结 | 第50-51页 |
| 第四章 不精确谱系模型 | 第51-69页 |
| ·背景 | 第51页 |
| ·相关工作及问题的提出 | 第51-53页 |
| ·不精确谱系 | 第53-60页 |
| ·构造类间正交趋势的初始矩阵H | 第54-55页 |
| ·ISA的原理 | 第55页 |
| ·ISA的误差分析 | 第55-57页 |
| ·ISA中整合形心向量 | 第57-60页 |
| ·分类上的实验验证 | 第60-68页 |
| ·测试集和实验设置 | 第61页 |
| ·实验效果总览 | 第61-62页 |
| ·LSI降维公式d_(lsi)=d~TU∧的降维效果 | 第62-63页 |
| ·SVD1 vs.ISA | 第63-64页 |
| ·ISA和EISA降维生成文档的稀疏性比较 | 第64-65页 |
| ·性能开销 | 第65-66页 |
| ·降维处理开销 | 第66页 |
| ·训练开销 | 第66页 |
| ·不同计分构造初始矩阵H对降维效果影响 | 第66-68页 |
| ·小结 | 第68-69页 |
| 第五章 用错误反馈提升推荐精度 | 第69-76页 |
| ·问题提出及相关工作 | 第69页 |
| ·错误反馈机制提升推荐精度设计 | 第69-73页 |
| ·抽取预测误差 | 第70-71页 |
| ·预测习惯性偏差 | 第71-72页 |
| ·FPCC算法复杂度分析 | 第72-73页 |
| ·实验验证 | 第73-75页 |
| ·试验目标 | 第73页 |
| ·参与对比的实验方法 | 第73页 |
| ·测试集和参数设置 | 第73页 |
| ·推荐精度对比 | 第73-74页 |
| ·结果分析与讨论 | 第74-75页 |
| ·小结 | 第75-76页 |
| 第六章 有偏放大法提升列推荐精度 | 第76-92页 |
| ·问题的背景 | 第76-77页 |
| ·问题提出 | 第77-79页 |
| ·不均衡放大技术 | 第79-82页 |
| ·为列项CF算法设计的有偏放大法 | 第79页 |
| ·预测公式分子和分母上有偏放大 | 第79-80页 |
| ·有偏放大法原理法原理分析 | 第80-81页 |
| ·有偏放大法中的调节器 | 第81-82页 |
| ·有偏放大法复杂度分析 | 第82页 |
| ·实验设计 | 第82-83页 |
| ·试验目标 | 第82-83页 |
| ·参与对比的实验方法 | 第83页 |
| ·数据集以及实验设定 | 第83页 |
| ·实验评估 | 第83-89页 |
| ·推荐精度总览 | 第83-85页 |
| ·有偏放大法与个例放大法 | 第85-87页 |
| ·在IPCC上的提升效果 | 第85-86页 |
| ·在ADCOS上的提升效果 | 第86-87页 |
| ·率定参数b | 第87页 |
| ·率定参数q | 第87-88页 |
| ·扩展性和推荐速度 | 第88-89页 |
| ·亮点总结 | 第89页 |
| ·结论 | 第89-92页 |
| 第七章 用半稠密算法加速稀疏向量间批次运算 | 第92-113页 |
| ·传统稀疏向量间向乘 | 第92-93页 |
| ·半稠密算法 | 第93-96页 |
| ·半稠密算法 | 第93页 |
| ·半稠密算法实现 | 第93-94页 |
| ·半稠密算法的性能分析 | 第94-95页 |
| ·半稠密算法实现方式 | 第95-96页 |
| ·讨论 | 第96页 |
| ·基于线程池的半稠密算法 | 第96-98页 |
| ·线程池设计和实现 | 第96-97页 |
| ·在线程池上的半稠密算法 | 第97-98页 |
| ·MPI下基于线程池的半稠密算法 | 第98-100页 |
| ·用半稠密算法加速SVMTorch | 第100-106页 |
| ·问题的提出和切入点的选择 | 第100-101页 |
| ·在SVMTorch中用半稠密算法替代经典稀疏算法方案 | 第101页 |
| ·实验验证半稠密算法对SVMTorch加速效果 | 第101-102页 |
| ·参数设定 | 第102页 |
| ·加速效果 | 第102-103页 |
| ·WebKB上的效果 | 第103-104页 |
| ·20-newsgroup上的效果 | 第104-105页 |
| ·实验结论 | 第105-106页 |
| ·用半稠密算法加速协同过滤 | 第106-112页 |
| ·问题的提出和切入点的选择 | 第106页 |
| ·实验设计 | 第106-107页 |
| ·多核系统 | 第106-107页 |
| ·分布式系统 | 第107页 |
| ·测试场景和数据集 | 第107页 |
| ·参数设定 | 第107页 |
| ·实验验证 | 第107-112页 |
| ·性能总览 | 第107-108页 |
| ·半稠密法的加速效果 | 第108页 |
| ·线程池加速效果 | 第108-110页 |
| ·MPI加速效果 | 第110-111页 |
| ·并发层次优化 | 第111-112页 |
| ·实验结论 | 第112页 |
| ·小结 | 第112-113页 |
| 第八章 总结与展望 | 第113-117页 |
| ·理论应用及效果总结 | 第113-114页 |
| ·校园搜索 | 第113页 |
| ·学习搜索 | 第113-114页 |
| ·本文工作总结 | 第114-116页 |
| ·展望 | 第116-117页 |
| 参考文献 | 第117-128页 |
| 致谢 | 第128-129页 |
| 个人简历、在学期间的研究成果及发表的论文 | 第129-130页 |