集成多元信息的推荐系统建模方法的研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第13-26页 |
| 1.1 研究背景 | 第13-15页 |
| 1.2 研究现状 | 第15-19页 |
| 1.2.1 协同过滤 | 第15-17页 |
| 1.2.2 内容过滤 | 第17-18页 |
| 1.2.3 混合推荐 | 第18-19页 |
| 1.3 研究内容 | 第19-24页 |
| 1.3.1 面临的挑战 | 第19-21页 |
| 1.3.2 长尾推荐 | 第21页 |
| 1.3.3 跨领域推荐 | 第21-22页 |
| 1.3.4 群体推荐 | 第22-23页 |
| 1.3.5 特征学习 | 第23-24页 |
| 1.4 论文结构 | 第24-26页 |
| 第二章 背景知识 | 第26-37页 |
| 2.1 概率统计模型 | 第26-34页 |
| 2.1.1 潜在因素模型 | 第26-29页 |
| 2.1.2 多水平模型 | 第29-30页 |
| 2.1.3 离散选择模型 | 第30-31页 |
| 2.1.4 深度学习模型 | 第31-34页 |
| 2.2 信任与信誉模型 | 第34-35页 |
| 2.3 评价指标 | 第35页 |
| 2.3.1 评分预测指标 | 第35页 |
| 2.3.2 排名预测指标 | 第35页 |
| 2.4 本章小节 | 第35-37页 |
| 第三章 相关工作 | 第37-42页 |
| 3.1 集成隐式反馈的推荐系统 | 第37-38页 |
| 3.2 集成多关系数据的推荐系统 | 第38-39页 |
| 3.3 利用社会化信息的推荐系统 | 第39-40页 |
| 3.4 跨领域推荐系统 | 第40页 |
| 3.5 群体推荐系统 | 第40-41页 |
| 3.6 本章小节 | 第41-42页 |
| 第四章 建模异构性：基于贝叶斯异方差选择模型 | 第42-59页 |
| 4.1 背景简介 | 第42-45页 |
| 4.1.1 非独立同分布的潜在因素模型 | 第43-44页 |
| 4.1.2 异方差选择模型 | 第44-45页 |
| 4.1.3 研究贡献 | 第45页 |
| 4.2 基于潜在特征的贝叶斯异方差选择模型 | 第45-54页 |
| 4.2.1 模型概要 | 第45-48页 |
| 4.2.2 模型细节及解析 | 第48-50页 |
| 4.2.3 模型学习及预测 | 第50-54页 |
| 4.3 实验评估 | 第54-58页 |
| 4.3.1 进行比较的方法 | 第54页 |
| 4.3.2 社会关系推荐 | 第54-57页 |
| 4.3.3 物品推荐 | 第57-58页 |
| 4.4 本章小节 | 第58-59页 |
| 第五章 尾部推荐：基于经验先验互正则模型 | 第59-81页 |
| 5.1 背景介绍 | 第59-62页 |
| 5.1.1 矩阵分解模型进行尾部推荐的不足 | 第59-61页 |
| 5.1.2 本章提出的方案 | 第61-62页 |
| 5.1.3 研究贡献 | 第62页 |
| 5.2 模型和推理 | 第62-71页 |
| 5.2.1 数据说明 | 第62页 |
| 5.2.2 Co HMF模型概要 | 第62-64页 |
| 5.2.3 C-HMF模型 | 第64-68页 |
| 5.2.4 R-HMF模型 | 第68-71页 |
| 5.3 COHMF的学习和推荐 | 第71-72页 |
| 5.3.1 Co HMF的参数学习 | 第71页 |
| 5.3.2 预测和推荐 | 第71-72页 |
| 5.4 实验评估 | 第72-80页 |
| 5.4.1 数据准备和统计 | 第73-74页 |
| 5.4.2 进行比较的方法 | 第74页 |
| 5.4.3 尾部物品推荐 | 第74-76页 |
| 5.4.4 尾部用户推荐 | 第76-78页 |
| 5.4.5 推荐物品的排序 | 第78页 |
| 5.4.6 信任关系的影响 | 第78-80页 |
| 5.5 本章小节 | 第80-81页 |
| 第六章 跨领域推荐：基于不规则张量分解模型 | 第81-103页 |
| 6.1 背景介绍 | 第81-84页 |
| 6.1.1 当前的跨领域协同过滤方法和不足 | 第81-83页 |
| 6.1.2 跨领域三元关系建模 | 第83-84页 |
| 6.1.3 研究贡献 | 第84页 |
| 6.2 CDTF模型 | 第84-86页 |
| 6.2.1 等式变换 | 第84-86页 |
| 6.2.2 领域影响的权重 | 第86页 |
| 6.3 学习和预测 | 第86-93页 |
| 6.3.1 参数学习 | 第86-90页 |
| 6.3.2 超参数优化 | 第90-93页 |
| 6.4 数据建模 | 第93-94页 |
| 6.4.1 评分数据 | 第93-94页 |
| 6.4.2 隐式数据 | 第94页 |
| 6.5 实验评估 | 第94-102页 |
| 6.5.1 电子商务网站中的跨领域推荐 | 第94-99页 |
| 6.5.2 在线社交网站中的跨领域推荐 | 第99-102页 |
| 6.6 本章小节 | 第102-103页 |
| 第七章 跨领域推荐：基于双线性多水平模型 | 第103-117页 |
| 7.1 背景介绍 | 第103-104页 |
| 7.1.1 研究贡献 | 第104页 |
| 7.2 问题定义 | 第104-106页 |
| 7.3 BLMA模型 | 第106-108页 |
| 7.4 参数学习和预测 | 第108-112页 |
| 7.4.1 并行Gibbs采样算法 | 第108-111页 |
| 7.4.2 缺失值预测 | 第111-112页 |
| 7.5 讨论 | 第112-113页 |
| 7.6 实验评估 | 第113-116页 |
| 7.6.1 数据准备 | 第113页 |
| 7.6.2 进行比较的方法 | 第113-114页 |
| 7.6.3 评估结果 | 第114-116页 |
| 7.7 本章小节 | 第116-117页 |
| 第八章 群体推荐：基于深度学习的群体偏好模型 | 第117-129页 |
| 8.1 背景介绍 | 第117-118页 |
| 8.1.1 研究贡献 | 第118页 |
| 8.2 模型和推理 | 第118-124页 |
| 8.2.1 基础定义 | 第118-119页 |
| 8.2.2 模型概要 | 第119页 |
| 8.2.3 分离集体因素和个人因素 | 第119-121页 |
| 8.2.4 更为全面的群体偏好特征表示 | 第121-124页 |
| 8.2.5 群体推荐排序 | 第124页 |
| 8.3 实验评估 | 第124-128页 |
| 8.3.1 数据准备 | 第125页 |
| 8.3.2 进行比较的方法 | 第125-126页 |
| 8.3.3 评估结果 | 第126-128页 |
| 8.4 本章小节 | 第128-129页 |
| 第九章 总结与展望 | 第129-134页 |
| 9.1 本文工作回顾 | 第129-131页 |
| 9.1.1 异构信息的特征建模 | 第129页 |
| 9.1.2 长尾分布的特征建模 | 第129-130页 |
| 9.1.3 可靠性的特征建模 | 第130页 |
| 9.1.4 跨领域推荐的特征建模 | 第130页 |
| 9.1.5 群体偏好的特征建模 | 第130-131页 |
| 9.2 进一步的工作 | 第131-134页 |
| 9.2.1 更全面的推荐结果评价 | 第131页 |
| 9.2.2 融合上下文因素的推荐系统 | 第131-132页 |
| 9.2.3 非固定群体的推荐系统 | 第132页 |
| 9.2.4 多目标优化的推荐系统 | 第132页 |
| 9.2.5 更广义的推荐系统 | 第132-134页 |
| 参考文献 | 第134-147页 |
| 致谢 | 第147-149页 |
| 攻读博士学位期间已发表或录用的论文 | 第149-152页 |
