基于张量分解的高维数据建模研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 论文主要工作 | 第13页 |
| 1.4 论文结构 | 第13-15页 |
| 第二章 张量的基本概念 | 第15-25页 |
| 2.1 张量及其基本运算 | 第15-20页 |
| 2.1.1 张量概念 | 第15-16页 |
| 2.1.2 张量代数基础 | 第16-18页 |
| 2.1.3 张量与矩阵 | 第18-20页 |
| 2.1.4 常见张量运算 | 第20页 |
| 2.2 张量分解模型 | 第20-25页 |
| 2.2.1 CP分解 | 第20-22页 |
| 2.2.2 Tucker分解 | 第22-25页 |
| 第三章 非负张量分解 | 第25-49页 |
| 3.1 非负矩阵分解与概率潜语义分析 | 第25-34页 |
| 3.1.1 潜在语义分析 | 第25-26页 |
| 3.1.2 矩阵分解 | 第26-29页 |
| 3.1.3 非负矩阵分解 | 第29-30页 |
| 3.1.4 概率潜在语义模型 | 第30-31页 |
| 3.1.5 方面模型与NMF | 第31-34页 |
| 3.2 张量分解 | 第34-37页 |
| 3.2.1 张量低秩分解 | 第34-35页 |
| 3.2.2 非负张量分解 | 第35-37页 |
| 3.3 非负稀疏张量分解及其改进 | 第37-44页 |
| 3.3.1 算法流程 | 第37-41页 |
| 3.3.2 复杂度分析 | 第41-44页 |
| 3.4 张量分解的概率图模型 | 第44-47页 |
| 3.4.1 张量方面模型(TAM) | 第44-45页 |
| 3.4.2 概率张量分解(PTF) | 第45-47页 |
| 3.5 本章小结 | 第47-49页 |
| 第四章 基于张量分解的个性化推荐 | 第49-59页 |
| 4.1 推荐系统技术 | 第49-52页 |
| 4.1.1 基于内容的推荐 | 第49-50页 |
| 4.1.2 协同过滤 | 第50-51页 |
| 4.1.3 其他推荐方法 | 第51-52页 |
| 4.2 引文推荐 | 第52-54页 |
| 4.2.1 仅基于关键词进行推荐 | 第52页 |
| 4.2.2 仅基于用户进行推荐 | 第52-53页 |
| 4.2.3 综合考虑和关键词进行推荐 | 第53-54页 |
| 4.3 实验与结果分析 | 第54-57页 |
| 4.3.1 数据处理 | 第54-55页 |
| 4.3.2 实验评价方法 | 第55页 |
| 4.3.3 实验结果与分析 | 第55-57页 |
| 4.4 本章小结 | 第57-59页 |
| 第五章 张量分解在图像和视频中的应用 | 第59-71页 |
| 5.1 图像补全 | 第59-67页 |
| 5.1.1 WOPT算法 | 第59-60页 |
| 5.1.2 LRTC算法 | 第60-61页 |
| 5.1.3 BNTC与EMTC算法 | 第61-65页 |
| 5.1.4 实验结果与分析 | 第65-67页 |
| 5.2 视频场景分割 | 第67-70页 |
| 5.2.1 视频数据建模 | 第67-68页 |
| 5.2.2 实验结果与分析 | 第68-70页 |
| 5.3 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 研究总结 | 第71-72页 |
| 6.2 工作的不足与未来的展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-79页 |
| 攻读学位期间发表的论文 | 第79页 |
