摘要 | 第4-5页 |
Abstract | 第5页 |
第1章 绪论 | 第8-14页 |
1.1 研究背景及意义 | 第8-9页 |
1.2 国内外研究现状 | 第9-12页 |
1.2.1 推荐系统的研究现状 | 第10-11页 |
1.2.2 基于翻译的表示学习的研究现状 | 第11-12页 |
1.3 论文的主要工作和贡献 | 第12页 |
1.4 论文的章节组织 | 第12-14页 |
第2章 常用的推荐方法和表示学习的介绍 | 第14-31页 |
2.1 常用的推荐方法 | 第14-22页 |
2.1.1 基于邻居的协同过滤推荐 | 第14-18页 |
2.1.2 基于表示学习的推荐方法 | 第18-21页 |
2.1.3 两类推荐方法的对比 | 第21-22页 |
2.2 表示学习的理论和方法 | 第22-30页 |
2.2.1 表示学习的基本理论 | 第22-23页 |
2.2.2 基于翻译的表示学习方法 | 第23-30页 |
2.3 本章小结 | 第30-31页 |
第3章 基于用户画像的混合推荐方法 | 第31-41页 |
3.1 相关模型与方法 | 第32-34页 |
3.1.1 LDA模型 | 第32-33页 |
3.1.2 PureSVD模型 | 第33-34页 |
3.2 用户画像的构建 | 第34-35页 |
3.2.1 用户在电影主题上的兴趣分布 | 第34-35页 |
3.2.2 用户在电影类型、导演和演员列表上的兴趣分布 | 第35页 |
3.3 用户相似度的计算 | 第35-36页 |
3.3.1 电影主题上的相似度的计算 | 第35-36页 |
3.3.2 用户相似度公式 | 第36页 |
3.4 用户推荐列表的生成 | 第36-37页 |
3.5 实验设计与结果分析 | 第37-40页 |
3.5.1 实验数据集 | 第37页 |
3.5.2 实验参数的选择 | 第37页 |
3.5.3 实验评价方法 | 第37-38页 |
3.5.4 实验结果及分析 | 第38-40页 |
3.6 本章小结 | 第40-41页 |
第4章 基于翻译的偏好度差异量化推荐方法 | 第41-55页 |
4.1 表示学习在推荐系统中的应用 | 第41-42页 |
4.2 基于翻译的偏好度量化推荐方法 | 第42-48页 |
4.2.1 电影推荐场景中翻译模型 | 第42-44页 |
4.2.2 不同评分间偏好度差异的量化 | 第44-47页 |
4.2.3 模型的求解 | 第47页 |
4.2.4 模型的预测 | 第47-48页 |
4.3 实验设计与结果分析 | 第48-54页 |
4.3.1 实验环境 | 第48-49页 |
4.3.2 实验数据集 | 第49页 |
4.3.3 实验的具体设计 | 第49-51页 |
4.3.4 评价方法 | 第51页 |
4.3.5 实验结果分析 | 第51-54页 |
4.4 本章小结 | 第54-55页 |
第5章 总结与展望 | 第55-57页 |
5.1 本文工作 | 第55页 |
5.2 未来展望 | 第55-57页 |
参考文献 | 第57-61页 |
读研期间发表的论文 | 第61-62页 |
致谢 | 第62-63页 |