基于深度学习的电影推荐系统研究与应用
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 推荐系统的背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 推荐系统的国内外研究现状 | 第9-10页 |
| 1.2.2 电影推荐系统的国内外研究现状 | 第10-11页 |
| 1.2.3 深度学习的国内外研究现状 | 第11页 |
| 1.3 本文研究内容 | 第11-12页 |
| 1.4 文章结构 | 第12-14页 |
| 第2章 相关理论研究 | 第14-24页 |
| 2.1 推荐系统研究 | 第14-16页 |
| 2.1.1 个性化电影推荐系统 | 第14-15页 |
| 2.1.2 搜狐视频个性化推荐系统 | 第15-16页 |
| 2.2 基于协同过滤的推荐算法 | 第16-19页 |
| 2.2.1 基于内存的协同过滤算法 | 第16-19页 |
| 2.2.2 基于模型的推荐算法 | 第19页 |
| 2.3 常用聚类算法简介 | 第19-21页 |
| 2.4 艾宾浩斯遗忘曲线与遗忘函数 | 第21页 |
| 2.5 深度网络结构 | 第21-23页 |
| 2.5.1 神经网络及sigmoid函数 | 第21-22页 |
| 2.5.2 受限玻尔兹曼机介绍 | 第22-23页 |
| 2.5.3 多层玻尔兹曼机 | 第23页 |
| 2.6 本章小节 | 第23-24页 |
| 第3章 基于遗忘曲线的改进型电影聚类算法 | 第24-34页 |
| 3.1 基于用户评分的聚类算法 | 第24-26页 |
| 3.2 基于项目属性的聚类算法 | 第26-28页 |
| 3.3 基于遗忘曲线的融合电影聚类算法 | 第28-30页 |
| 3.4 相关实验及分析 | 第30-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 基于深度学习的电影推荐算法研究 | 第34-48页 |
| 4.1 受限玻尔兹曼机在电影推荐算法上的应用 | 第34-38页 |
| 4.2 基于改进型受限玻尔兹曼机的多层结构 | 第38-41页 |
| 4.3 基于Spark的模型训练的并行化方案 | 第41-42页 |
| 4.4 基于深度学习的电影推荐算法 | 第42-44页 |
| 4.5 实验结果分析 | 第44-46页 |
| 4.6 本章小节 | 第46-48页 |
| 第5章 基于深度学习的电影推荐系统的设计与实现 | 第48-68页 |
| 5.1 需求分析 | 第48-51页 |
| 5.1.1 用户需求 | 第48页 |
| 5.1.2 系统设计目标 | 第48-49页 |
| 5.1.3 系统的功能性需求 | 第49-50页 |
| 5.1.4 非功能性需求 | 第50-51页 |
| 5.2 系统概要设计 | 第51-54页 |
| 5.2.1 系统实现环境 | 第51-52页 |
| 5.2.2 系统架构设计 | 第52-54页 |
| 5.3 系统数据库设计 | 第54-57页 |
| 5.3.1 关系型数据库设计 | 第55-57页 |
| 5.3.2 非关系型数据库设计 | 第57页 |
| 5.4 核心模块设计与实现 | 第57-66页 |
| 5.4.1 登录模块的实现 | 第59页 |
| 5.4.2 离线计算模块的实现 | 第59-61页 |
| 5.4.3 在线推荐模块的实现 | 第61-63页 |
| 5.4.4 用户信息反馈模块的实现 | 第63-64页 |
| 5.4.5 信息管理模块的实现 | 第64-66页 |
| 5.5 本章小节 | 第66-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间所取得的成果 | 第74-76页 |
| 致谢 | 第76页 |
