| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 研究现状 | 第14-17页 |
| 1.2.1 用户画像的研究现状 | 第14-15页 |
| 1.2.2 深度神经网络的研究现状 | 第15-17页 |
| 1.2.3 现有研究分析总结 | 第17页 |
| 1.3 研究内容与思路 | 第17-21页 |
| 1.3.1 研究内容与方法 | 第17-19页 |
| 1.3.2 研究思路 | 第19-21页 |
| 第2章 相关理论 | 第21-35页 |
| 2.1 用户画像概述 | 第21-25页 |
| 2.1.1 用户画像的定义 | 第21页 |
| 2.1.2 用户画像的标签来源及分类 | 第21-23页 |
| 2.1.3 用户画像的构建流程 | 第23-25页 |
| 2.2 用户画像相关预测模型 | 第25-27页 |
| 2.2.1 逻辑回归 | 第25-26页 |
| 2.2.2 梯度提升决策树 | 第26-27页 |
| 2.3 深度神经网络概述 | 第27-33页 |
| 2.3.1 从感知机到神经网络 | 第27-29页 |
| 2.3.2 反向传播神经网络 | 第29-30页 |
| 2.3.3 深度BP神经网络 | 第30-31页 |
| 2.3.4 卷积神经网络 | 第31-33页 |
| 2.4 独热编码 | 第33-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第3章 深度神经网络与梯度提升决策树的组合模型 | 第35-48页 |
| 3.1 模型依据及框架 | 第35-36页 |
| 3.1.1 模型依据 | 第35页 |
| 3.1.2 模型框架 | 第35-36页 |
| 3.2 数据来源与处理 | 第36-45页 |
| 3.2.1 数据来源与集成 | 第36-39页 |
| 3.2.2 缺失值处理 | 第39页 |
| 3.2.3 ID特征的处理 | 第39-42页 |
| 3.2.4 非ID特征的处理 | 第42-44页 |
| 3.2.5 数据集划分与评估指标 | 第44-45页 |
| 3.3 深度神经网络模型的实验参数设置 | 第45-47页 |
| 3.3.1 激活函数的选择 | 第45-46页 |
| 3.3.2 优化器的选择 | 第46页 |
| 3.3.3 dropout正则化 | 第46-47页 |
| 3.4 梯度提升决策树的实验参数设置 | 第47-48页 |
| 第4章 实验对比与结果分析 | 第48-55页 |
| 4.1 实验环境及工具 | 第48页 |
| 4.2 单一模型实验结果与参数敏感性分析 | 第48-53页 |
| 4.2.1 单一模型实验结果对比 | 第48页 |
| 4.2.2 深度BP神经网络参数敏感性分析 | 第48-50页 |
| 4.2.3 卷积神经网络参数敏感性分析 | 第50-52页 |
| 4.2.4 梯度提升决策树参数敏感性分析 | 第52页 |
| 4.2.5 逻辑回归参数敏感性分析 | 第52-53页 |
| 4.3 组合模型基本框架与实验对比 | 第53-54页 |
| 4.3.1 基于DBPNN的组合模型的基本框架与实现 | 第53页 |
| 4.3.2 基于CNN的组合模型的基本框架与实现 | 第53页 |
| 4.3.3 组合模型实验结果与单一模型对比 | 第53-54页 |
| 4.4 ID特征处理法的有效性检验 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62-63页 |
| 附录A 攻读学位期间公开发表的论文 | 第63-64页 |
| 附录B 算法实现的关键代码 | 第64页 |