基于概率生成模型的相似度建模技术研究及应用
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-9页 |
| 目录 | 第9-12页 |
| 表格 | 第12-13页 |
| 插图 | 第13-14页 |
| 算法 | 第14-15页 |
| 第一章 绪论 | 第15-29页 |
| ·引言 | 第15-17页 |
| ·研究背景 | 第17-21页 |
| ·互联网中的信息过载问题 | 第17-18页 |
| ·信息过载的解决方案 | 第18-19页 |
| ·相似度建模的重要性和挑战 | 第19-21页 |
| ·研究动机 | 第21-25页 |
| ·文本多标签分类 | 第21-22页 |
| ·用户的相似性建模 | 第22-24页 |
| ·移动情境感知服务 | 第24-25页 |
| ·研究内容 | 第25-27页 |
| ·本文的组织结构 | 第27-29页 |
| 第二章 相关研究工作概述 | 第29-45页 |
| ·引言 | 第29页 |
| ·文本分类技术 | 第29-37页 |
| ·文本表示技术 | 第30-33页 |
| ·传统分类算法 | 第33-35页 |
| ·文本多标签分类算法 | 第35-37页 |
| ·移动用户情境日志模式挖掘 | 第37-41页 |
| ·关联规则挖掘 | 第38页 |
| ·序列模式挖掘 | 第38-39页 |
| ·低秩分解 | 第39-40页 |
| ·聚类和分类 | 第40-41页 |
| ·互联网用户个性化推荐服务 | 第41-44页 |
| ·传统个性化推荐服务 | 第41-42页 |
| ·情境感知移动个性化推荐服务 | 第42-44页 |
| ·本章小结 | 第44-45页 |
| 第三章 文本多标签分类 | 第45-63页 |
| ·引言 | 第45-47页 |
| ·相关工作 | 第47-48页 |
| ·L-F-L-PAM | 第48-53页 |
| ·基于L-F-L-PAM的文本多标签分类过程 | 第51-52页 |
| ·超参数估计 | 第52-53页 |
| ·实验设计及分析 | 第53-60页 |
| ·数据集 | 第53-54页 |
| ·评估准则 | 第54-55页 |
| ·实验结果及讨论 | 第55-60页 |
| ·本章小结 | 第60-63页 |
| 第四章 移动用户行为习惯相似性学习 | 第63-87页 |
| ·引言 | 第63-66页 |
| ·相关工作 | 第66-67页 |
| ·方法框架概述 | 第67-70页 |
| ·用户行为模式 | 第67-68页 |
| ·用户行为习惯相似性挖掘算法框架 | 第68-70页 |
| ·情境日志规范化 | 第70-72页 |
| ·位置情境规范化 | 第70-71页 |
| ·用户交互记录规范化 | 第71-72页 |
| ·超级行为模式抽取 | 第72-76页 |
| ·实验设计及分析 | 第76-85页 |
| ·数据集描述 | 第76页 |
| ·实验准备 | 第76-78页 |
| ·稀疏性处理实验结果分析 | 第78-79页 |
| ·行为习惯相似用户推荐效果对比 | 第79-83页 |
| ·用户划分效果分析 | 第83-85页 |
| ·本章小结 | 第85-87页 |
| 第五章 情境感知的移动用户App推荐 | 第87-103页 |
| ·引言 | 第87-89页 |
| ·相关工作 | 第89-91页 |
| ·情境感知移动推荐系统 | 第89-90页 |
| ·基于隐性反馈数据的推荐 | 第90-91页 |
| ·移动用户App推荐 | 第91页 |
| ·情境感知的移动用户App推荐算法 | 第91-96页 |
| ·用户行为习惯相似性计算 | 第92-93页 |
| ·App类别相似性计算 | 第93-94页 |
| ·模型推理及学习过程 | 第94-96页 |
| ·实验设计及分析 | 第96-101页 |
| ·数据集 | 第97页 |
| ·实验准备 | 第97-99页 |
| ·基准算法及评估标准 | 第99页 |
| ·实验结果 | 第99-101页 |
| ·本章小结 | 第101-103页 |
| 第六章 总结与展望 | 第103-109页 |
| ·本文工作总结 | 第104-105页 |
| ·本文主要的贡献和创新点 | 第105-106页 |
| ·对未来工作的展望 | 第106-109页 |
| 参考文献 | 第109-123页 |
| 致谢 | 第123-125页 |
| 在读期间发表的学术论文与取得的研究成果 | 第125-126页 |
