网络电视用户个性化直播频道推荐方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外现状 | 第10-14页 |
| 1.2.1 网络电视用户行为研究现状 | 第10-11页 |
| 1.2.2 推荐系统研究现状 | 第11-12页 |
| 1.2.3 网络电视推荐研究现状 | 第12-14页 |
| 1.3 本文研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15页 |
| 1.5 本章小结 | 第15-16页 |
| 第二章 相关理论与技术 | 第16-26页 |
| 2.1 网络电视直播频道相关研究 | 第16-17页 |
| 2.2 用户行为分析方法 | 第17页 |
| 2.3 推荐算法相关研究 | 第17-20页 |
| 2.4 BP神经网络 | 第20-21页 |
| 2.5 循环神经网络模型 | 第21-25页 |
| 2.5.1 循环神经网络模型理论介绍 | 第21-22页 |
| 2.5.2 长短期记忆网络 | 第22-24页 |
| 2.5.3 LSTM相关源码介绍 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第三章 直播频道用户行为分析 | 第26-33页 |
| 3.1 相关数据介绍 | 第26-27页 |
| 3.2 直播频道用户行为分析 | 第27-31页 |
| 3.2.1 用户观看时长分析 | 第27-29页 |
| 3.2.2 直播频道冷热度分析 | 第29-31页 |
| 3.3 本章小结 | 第31-33页 |
| 第四章 直播频道推荐方法 | 第33-44页 |
| 4.1 个性化实时直播频道推荐系统结构 | 第33-35页 |
| 4.2 推荐方法 | 第35-40页 |
| 4.2.1 基于统计的推荐方法 | 第35-37页 |
| 4.2.2 基于BPNN的推荐方法 | 第37-38页 |
| 4.2.3 基于LSTM的推荐方法 | 第38-40页 |
| 4.3 冷热频道区分推荐法 | 第40-41页 |
| 4.4 参数设定 | 第41-43页 |
| 4.4.1 滑动窗口大小 | 第41-42页 |
| 4.4.2 频道序列长度 | 第42-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第五章 实验结果分析 | 第44-53页 |
| 5.1 评估标准 | 第44页 |
| 5.2 实验环境 | 第44-45页 |
| 5.3 推荐结果分析 | 第45-51页 |
| 5.3.1 序列长度对推荐结果的影响 | 第45-47页 |
| 5.3.2 滑动窗口大小对推荐结果的影响 | 第47-48页 |
| 5.3.3 推荐方法对比 | 第48-49页 |
| 5.3.4 单一学习与区分学习推荐效果比较 | 第49-51页 |
| 5.4 本章小结 | 第51-53页 |
| 总结与展望 | 第53-55页 |
| 本文总结 | 第53-54页 |
| 未来工作展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 附录 | 第59-62页 |
| 攻读硕士学位期间取得的研究成果 | 第62-63页 |
| 致谢 | 第63-64页 |
| 附件 | 第64页 |
