| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究意义 | 第10页 |
| 1.3 研究现状 | 第10-14页 |
| 1.3.1 用户画像信息来源 | 第10-13页 |
| 1.3.2 用户画像提取常用模型 | 第13-14页 |
| 1.4 本文工作 | 第14-15页 |
| 1.5 本文组织结构 | 第15-17页 |
| 2 相关理论技术及模型 | 第17-25页 |
| 2.1 词向量Word2Vec模型 | 第17-19页 |
| 2.2 文档向量Doc2Vec模型 | 第19-20页 |
| 2.2.1 pv-dm | 第19-20页 |
| 2.2.2 pv-dbow | 第20页 |
| 2.3 word-CNN模型架构 | 第20-21页 |
| 2.4 模型融合算法 | 第21-25页 |
| 2.4.1 平均法 | 第22页 |
| 2.4.2 投票法 | 第22-23页 |
| 2.4.3 学习法 | 第23-25页 |
| 3 基于QueryDoc2vec的查询词文档知识表示 | 第25-37页 |
| 3.1 问题引出 | 第25页 |
| 3.2 算法介绍 | 第25-28页 |
| 3.2.1 qdv-dm算法 | 第25-27页 |
| 3.2.2 qdv-dbow算法 | 第27-28页 |
| 3.3 实验结构与分析 | 第28-35页 |
| 3.3.1 数据集 | 第28-29页 |
| 3.3.2 预处理 | 第29-31页 |
| 3.3.3 多种知识表示 | 第31页 |
| 3.3.4 知识表示有效性验证 | 第31-34页 |
| 3.3.5 实验结果与分析 | 第34-35页 |
| 3.4 本章总结 | 第35-37页 |
| 4 基于Stacking二级模型融合的用户画像构建 | 第37-46页 |
| 4.1 问题引出 | 第37页 |
| 4.2 算法介绍 | 第37-41页 |
| 4.2.1 FastText神经网络模型 | 第37-38页 |
| 4.2.2 VDCNN深度卷积神经网络模型 | 第38-39页 |
| 4.2.3 Stacking二级融合算法框架 | 第39-41页 |
| 4.3 实验结果与分析 | 第41-45页 |
| 4.3.1 数据集 | 第41页 |
| 4.3.2 多粒度神经网络模型 | 第41-44页 |
| 4.3.3 Stacking二级融合算法 | 第44-45页 |
| 4.4 本章总结 | 第45-46页 |
| 结论 | 第46-48页 |
| 参考文献 | 第48-52页 |
| 攻读硕士学位期间发表学术论文情况 | 第52-53页 |
| 致谢 | 第53页 |